【人工智能算法】算法基础之距离度量

本文重点主要有：

• 向量
• 欧式距离
• 曼哈顿距离
• 切比雪夫距离

理解向量

向量本质上就是一维数组。这里需要注意不要将向量的“维度”与待求解问题的维度混淆，即使待求解问题有10个输入通道，它依然是一个向量。向量始终是一维数组。
在人工智能算法中，向量通常用来存储某个具体实例的数据。

计算向量距离

两个向量之间的距离代表着二者的相似程度。

欧式距离

欧式距离度量是基于两个向量间实际的二维距离的，也就是说，如果把两个数据点画在纸上的话，欧式距离就是用直尺测量处理的两点间的偏差（距离）。二维距离的理论基础是毕达哥拉斯定理也就是勾股定理。

这个方法在比较长度为2的向量的时候效果很好，但实际上大多数向量长度都不止为2。所以要计算欧式距离的话我们需要用勾股定理的推广形式。
欧氏距离度量在机器学习中很常用，在比较相同长度的两个向量这种任务上十分高效。假设有a、b、c这3个向量，a、b之间的欧氏距离为10, a、c之间的欧氏距离为20，此时向量a代表的数据较之与向量c的匹配程度，就与向量b更为接近。

上面这个公式给出了p、q两个向量间的欧氏距离d，同时也指出了d（p, q）和d（q, p）是等价的，这就意味着欧氏距离仅取决于两个端点，与把哪个点作为起点无关。欧氏距离的计算过程不过是对向量中对应元素之差的平方逐个求和，然后取求和结果的平方根。这个平方根就是要求的欧氏距离。
伪代码如下：

function euclidean(position1,position2){
   
	sum =