机器学习中常见距离计算

1.欧氏距离
欧氏距离，也叫欧几里得距离，是我们最常用的距离公式，用于表示两点之间或多点之间的距离：

在二维空间中则是：

2.曼哈顿距离
曼哈顿距离在几何空间中使用的比较多。要注意的是，曼哈顿距离依赖座标系统的转度，而非系统在座标轴上的平移或映射。
通俗来讲，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。而实际驾驶距离就是这个“曼哈顿距离”，此即曼哈顿距离名称的来源， 同时，曼哈顿距离也称为城市街区距离它的公式如下：

如果绿线表示两点之间的欧式距离，那么红线和黄线就表示曼哈顿距离了。

3.切比雪夫距离
切比雪夫距离就是两点坐标之间绝对值相差最大的距离，和上面的曼哈顿距离有些类似。

图一就是曼哈顿距离地集合，图二则为切比雪夫距离

4.余弦距离
在数学几何中，夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。在文本分类中，我们会经常遇到余弦距离。余弦距离实际上就是计算两个向量的夹角，也就是在方向上计算两者之间的差异，不管绝对值相差多大，都不对它造成影响。在推荐算法中的感兴趣的相关性比较上，角度的关系比距离的绝对值还要重要，所以在推荐、文本分类中，经常会使用到余弦距离。

5.闵可夫斯基距离
闵可夫斯基不是一个距离，而是一组距离，对于n维空间中的两个点x（x1,x2…）,y(y1,y2…)，他们的距离公式为下图所示。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。

参考：
https://blog.csdn.net/weixin_40586929/article/details/103189287