目录
欧几里得距离、余弦相似度,以及曼哈顿距离是 衡量两个向量之间差异的常用方法。每种方法适用于不同类型的数据和场景。以下是每种方法的简要说明和计算公式:
欧几里得距离 (Euclidean Distance)
欧几里得距离是最直观的距离度量方式,它衡量的是多维空间中两点之间的直线距离。在二维平面上,它相当于使用勾股定理计算两点之间的距离。
公式:
其中,A(a1, a2, a3,…,an)和 B(b1, b2, b3,…,bn)是两个点的坐标。
余弦相似度 (Cosine Similarity)
余弦相似度衡量的是两个向量在方向上的相似程度,而不考虑它们的幅度。它的值从 -1 到 1 变化,其中 1 表示向量方向完全相同,-1 表示完全相反,0 表示两个向量之间是正交的。
公式:
其中,点乘表示对应坐标的乘积之和,(|| A ||)和 (|| B ||)是向量的欧几里得范数。
杰卡德相似系数 (JACCARD)
杰卡德相似系数(Jaccard Similarity Coefficient),也称为交并比(Intersection over Union, IoU),是一种用于衡量两个集合相似度的指标。它定义为两个集合交集的大小与它们并集的大小之比。在文本处理、图像处理、生物信息学等领域中,杰卡德相似系数被广泛用于比较样本之间的相似性。
公式:
∣A∩B∣表示集合 A 和 B的交集的元素数量。
∣A∪B∣表示集合 A 和 B 的并集的元素数量。
曼哈顿距离 (Manhattan Distance)
曼哈顿距离,也称为城市街区距离,它衡量的是多维空间中两点在标准坐标系上的绝对轴距总和。这种距离度量在很多实际应用中非常有用,比如计算两个地点在城市中的直线距离(忽略可以直穿建筑物的情况)。
公式:
其中,A(a1, a2, a3,…,an)和 B(b1, b2, b3,…,bn)是两个点的坐标。
应用场景
- 欧几里得距离:常用于需要考虑实际距离或幅度的场景,如地理坐标、物理距离等。
- 余弦相似度:适用于文本分析和推荐系统,因为它关注的是方向而不是大小,常用于评估文档或用户偏好的相似性。
- JACCARD相似度:在文本挖掘中,可以用来比较文档或句子的相似度,通过计算它们词汇的交集和并集。
- 曼哈顿距离:适用于网格状路径规划,如城市街道导航,或者在某些类型的聚类分析中。
这些度量方式各有优势,选择哪一种取决于具体的应用需求和数据特性。