相似度计算

相似度计算在数据挖掘和推荐系统中有着广泛的应用场景。例如：

1. CF协同过滤算法中，可以利用相似度计算用户之间（User-Based）或者物品之间（Item-Based）的相似度；
2. 在利用k-means进行聚类时，判断个体所属类别，可以使用相似度计算公式计算个体到簇类中心的距离；
3. 利用KNN进行分类时，也可以利用相似度计算个体与已知类别之间的相似性，判断个体所属的类别；

1、欧式距离

        欧式距离，也叫欧几里得距离，指在m维空间中两点的真实距离。

        在二维空间中，计算点与点之间的欧式距离，

其公式为：

2、曼哈顿距离

        曼哈顿距离又叫城市街区距离。所谓的城市街区距离，就是将城市比喻为二维矩阵，从一个十字路口开到另外一个十字路口，驾驶距离显然不是欧式距离，而是“曼哈顿”距离。

        在二维空间中，计算点与点之间的曼哈顿距离，

其公式为：