详细:
1.闵可夫斯基距离(Minkowski Distance)
2.欧氏距离(Euclidean Distance)
3.曼哈顿距离(Manhattan Distance)
4.切比雪夫距离(Chebyshev Distance)
5.夹角余弦(Cosine)
6.汉明距离(Hamming distance)
7.杰卡德相似系数(Jaccard similarity coefficient)
8.贝叶斯公式
1.闵氏距离的定义:
两个n维变量A(x11,x12,…,x1n)与 B(x21,x22,…,x2n)间的闵可夫斯基距离定义为:
其中p是一个变参数。
当p=1时,就是曼哈顿距离
当p=2时,就是欧氏距离
当p→∞时,就是切比雪夫距离
根据变参数的不同,闵氏距离可以表示一类的距离。
np.linalg.norm #是适合使用这个公式
2.欧氏距离(Euclidean Distance)
欧氏距离(L2范数)是最易于理解的一种距离计算方法,源自欧氏空间中两点间的距离公式(如图1.9)。
python实现欧式距离公式的:
vector1 = np.array([1,2,3])
vector2 = np.array([4,5,6])
op1=np.sqrt(np.sum(np.square(vector1-vector2)))
op2=np.linalg.norm(vector1-vector2)
print(op1)
print(op2)
#输出:
#5.196152422