“距离(distance)”、“相似度(similarity)”相关的量的小结

英文名	中文名	算式	说明
Euclidean Distance	欧式距离	d=∑i=1n(xi−yi)2−−−−−−−−−−√	以古希腊数学家欧几里得命名的距离；也就是我们直观的两点之间直线最短的直线距离
Manhattan Distance	曼哈顿距离	d=∑i=1n|xi−yi|	是由十九世纪的赫尔曼·闵可夫斯基所创词汇；是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和；也就是和象棋中的“車”一样横平竖直的走过的距离；曼哈顿距离是超凸度量
Minkowski Distance	闵氏距离	d=∑i=1n(xi−yi)p−−−−−−−−−−√p	以俄罗斯数学家闵可夫斯基命名的距离；是欧式距离的推广，p=2时等价于欧氏距离，和p-范数等值
Hamming Distance	海明距离	逐个字符(或逐位)对比，统计不一样的位数的个数总和	所得值越小，参与对比的两个元素约相似；下面是从wikipedia借的4bit的海明距离示意图
Jaccard Coefficient	杰卡德距离	J(A,B)=|A⋂B||A⋃B|	越大越相似；分子是A和B的交集大小，分母是A和B的并集大小
Ochiai Coefficient	?	K=n(A⋂B)n(A)×n(B)−−−−−−−−−−√
Pearson Correlation	皮尔森相关系数	r=∑ni=1(Xi−x¯)(yi−y