数据间距离及相似度

欧几里得距离（欧氏距离）：
$$d(x,y)={\left[\sum _{i=1}^d{\left(x_i-y_i\right)}^2\right]}^{1/2}$$也可表示为：$$d(x,y)=\Vert x-y{\Vert }_2=\sqrt{(x-y{)}^T(x-y)}$$
曼哈顿距离（街市距离）：
$$d(x,y)=\sum _{i=1}^d\left|x_i-y_i\right|$$
也可表示为：
$$d(x,y)=\Vert x-y{\Vert }_2$$

各个方向上距离和。
切比雪夫距离
$$d(x,y)=\max \left(x_i-y_i\right)$$
也可表示为：
$$d(x,y)=\Vert x-y{\Vert }_{\propto }$$
明可夫斯基距离
$$\mathrm{dist}(X,Y)={\left(\sum _{i=1}^n{\left|x_i-y_i\right|}^p\right)}^{1/p}$$
余弦相似度：
$$\cos (\theta )=\frac{{\sum }_{i=1}^n\left(x_i\times y_i\right)}{\sqrt{{\sum }_{i=1}^n{\left(x_i\right)}^2}\times \sqrt{{\sum }_{i=1}^n{\left(y_i\right)}^2}}$$
$cos(\theta )$越趋于1，数据越相似。
皮尔森相关系数
$$r(X,Y)=\frac{n\sum xy-\sum x\sum y}{\sqrt{n\sum x^2-{\left(\sum x\right)}^2}\cdot \sqrt{n\sum y^2-{\left(\sum y\right)}^2}}$$