本文用Python实现了常见的几种距离度量、二分类损失函数。
设和为两个向量,求它们之间的距离。
这里用Numpy实现,设和为ndarray ,它们的shape都是(N,)
为所求的距离,是个浮点数(float)。
import numpy as np
1.欧氏距离(Euclidean distance)
欧几里得度量(euclidean metric)(也称欧氏距离)是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
def euclidean(x, y):
return np.sqrt(np.sum((x - y)**2))
2.曼哈顿距离(Manhattan distance)
想象你在曼哈顿要从一个十字路口开车到另外一个十字路口,驾驶距离是两点间的直线距离吗?显然不是,除非你能穿越大楼。实际驾驶距离就是这个“曼哈顿距离”。而这也是曼哈顿距离名称的来源, 曼哈顿距离也称为城市街区距离(City Block distance)。
def ma