样本相似性度量（欧几里得距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离）

样本相似性度量（欧几里得距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离）

在分类过程中，常常需要估算不同样本直接的 Similarity Measurement （相似性度量）。

此时常用的方法就是计算两个样本直接的 Distance（距离）。

常用方法有：

• 1. 欧几里得距离（Euclidean Distance）
• 2. 曼哈顿距离（Manhattan Distance）
• 3. 切比雪夫距离（Chebyshev Distance）
• 4. 闵可夫斯基距离（Minkowski Distance）
• 5. 标准化欧氏距离（Standardized Euclidean distance）

1. 欧几里得距离（Euclidean Distance）

欧几里得距离（Euclidean Distance），简称欧氏距离，又称欧几里得度量（euclidean metric）。

指 m 维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

在欧几里得空间中，点 $x=\left(x_1,\cdots ,x_n\right)$ 和 $y=\left(y_1,\cdots ,y_n\right)$ 之间的欧几里得距离为：

$$d(x,y):=\sqrt{{\left(x_1-y_1\right)}^2+{\left(x_2-y_2\right)}^2+\cdots +{\left(x_n-y_n\right)}^2}=\sqrt{\sum _{i=1}^n{\left(x_i-y_i\right)}^2}$$

当 $y$ 点为原点时，即为向量 $\vec{x}$ 的自然长度（该点到原点的距离）。

向量 $\vec{x}$ 的自然长度：

$$\Vert \vec{x}{\Vert }_2=\sqrt{{\left|x_1\right|}^2+\cdots +{\left|x_n\right|}^2}$$

由 $n$ 维空间的欧几里得距离公式可以推出：

二维平面上两点 $a\left(x_1,y_1\right)$ 与 $b(x_2,y_2$