python 二维两点距离_【机器学习基础】常见二分类损失函数、距离度量的Python实现...

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