机器学习部分：距离的度量（欧氏距离，曼哈顿距离，夹角余弦距离，切比雪夫距离，汉明距离，闵可夫斯基距离，马氏距离）

在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离,本文对距离计算方法做以下总结。

距离计算方法

 

1.欧式距离EuclideanDistance

欧式距离：也称欧几里得距离，在一个N维度的空间里，求两个点的距离，这个距离肯定是一个大于等于零的数字，那么这个距离需要用两个点在各自维度上的坐标相减，平方后加和再开方。

 

(1)二维平面上两点a(x1,y1)，b(x2,y2)之间的欧式距离公式：

 

(2) n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的欧式距离公式：

 

2. 曼哈顿距离(ManhattanDistance)

 

曼哈顿距离也叫”曼哈顿街区距离”。想象你在曼哈顿街道上，从一个十字路口开车到另一个十字路口，驾驶距离就是这个“曼哈顿距离”。

(1)二维平面上两点a(x1,y1)，b(x2,y2)之间的曼哈顿距离公式：

(2) n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的曼哈顿距离公式：