机器学习中常用的几种距离

1、L1距离

2、L2距离

L1距离

L1距离，也称为曼哈顿距离（Manhattan Distance）或城市街区距离（City Block Distance），是一种度量两个点在标准坐标系上的绝对轴距总和的距离度量方法。在二维空间中，如果我们有两个点 P=(p1,p2)P=(p1​,p2​) 和 Q=(q1,q2)Q=(q1​,q2​)，那么它们之间的L1距离计算公式为：

在更高维空间中，L1距离的计算公式可以推广为：

其中，n 是维度的数量，pi 和 qi分别是点 P和 Q在第 i 维上的坐标。

L2距离

L2距离，也称为欧几里得距离（Euclidean Distance），是度量两点在欧几里得空间中直线距离的一种方法。它是最直观的距离度量方式，因为我们在日常生活中通常就是用这种方式来衡量两点之间的距离。

在二维空间中，如果我们有两个点 P=(p1,p2)P=(p1​,p2​) 和 Q=(q1,q2)Q=(q1​,q2​)，那么它们之间的L2距离计算公式为：

在更高维空间中，L2距离的计算公式可以推广为：

其中，n 是维度的数量，pi 和 qi 分别是点 P 和 Q 在第 i 维上的坐标。