前因
在机器学习/深度学习的很多任务中,我们通常会面临着两个样本之间相似度的比较。通常常用的两种度量方式为欧氏距离与余弦距离,那么在什么时候用欧氏距离?什么时候用余弦相似度?他们之间的联系与区别在哪里呢?
探索
在机器学习当中,通常以一组向量来表示样本
如上图所示,欧式距离是通过勾股定理来计算两个向量之间的距离:
余弦相似度是计算两个向量之间夹角的余弦值:
通常用1-D(x,y)来表示余弦距离。
分析:
首先谈谈区别,
在机器学习/深度学习的很多任务中,我们通常会面临着两个样本之间相似度的比较。通常常用的两种度量方式为欧氏距离与余弦距离,那么在什么时候用欧氏距离?什么时候用余弦相似度?他们之间的联系与区别在哪里呢?
在机器学习当中,通常以一组向量来表示样本
如上图所示,欧式距离是通过勾股定理来计算两个向量之间的距离:
余弦相似度是计算两个向量之间夹角的余弦值:
通常用1-D(x,y)来表示余弦距离。
分析:
首先谈谈区别,