欧氏距离_机器学习中的分类距离

作者 | 我的智慧生活

来源 | 咪付

生活中，距离通常是用于形容两个地方或两个物体之间的远近。在人工智能机器学习领域，常使用距离来衡量两个样本之间的相似度。

“物以类聚”

我们知道“物以类聚”通常用于比喻同类的东西经常聚在一起。机器学习中，距离就是遵循物以类聚的思想。通过两个样本特征数据进行距离计算后，得到的距离值越小，代表两者的相似度越高，属于同一类的可能性就越高。换句话说，距离能够决定样本的归属。

例如，在下图中，对于机器学习来说存在着两种距离：

(1)一是人物的空间位置距离；

(2)二是人物的性格爱好距离。

对第1种距离来说，A与C较A与B近；而对第2种距离来说，则是A与B较近(爱打球)。A与B的爱好距离可通过如下计算：

我们用0—10分来表征每个人对打球的喜好程度，分数越高代表越爱打球，假设A、B、C三人的分值分别如下：

可以看出，A、B两人的分数较接近，A、B两人的分数差小于A、C两人的分数差，这个分数差值也就是机器学习中要计算的距离。通过比较得出，A、B两者的距离小，容易归为一类。当然，这里仅仅分析了爱打球这一个特征属性，机器学习中通常涉及多个属性进行综合计算和判断，也就是多维度分析。

物理几何空间距离

机器学习中，计算两个样本点之间的距离有多种不同的距离衡量方法，其中最常见的就是采用物理几何空间距离进行衡量。所谓物理几何空间距离就是点到点之间在物理空间中的真实距离。通俗地说，这类距离看得见、摸得着。常见的物理几何空间距离有：

欧氏距离

(Euclidean Distance)

曼哈顿距离

(Manhattan Distance)

切比雪夫距离

(Chebyshev Distance)

闵氏距离

(Minkowski Distance)

夹角余弦

(Cosine)

这几类物理几何空间距离的应用非常多，尤其是欧氏距离。

曼哈顿距离

我们首先从曼哈顿距离来形象了解机器学习中的距离，曼哈顿距离也是机器学习中常采用的一种距离。

我们知道曼哈顿是“世界的十字路口”，那里有非常多的十字交叉路口。

曼哈顿距离