欧式距离(通常是距离的默认选择):
(l-p 距离)欧式距离的延申
当p=2时为欧式距离
p =1 时为l-1距离(真正地考虑到每个维度的差距),在机器学习中常用到。
还有一种距离(无穷距离),仅仅考虑了差距最大的那个维度的差距。
对于相同的向量,不同的距离度量,算出来的距离值不同。
以原点为中心的圆上,l2距离相等。
以原点为中心的菱形上,l1距离相等。
以原点为中心的正方形上,l 无穷距离相等。
距离函数必需要满足的性质
KL 散度,或者相对熵。衡量两个分布之间相似度。它并不满足对称性,也不满足三角不等式,机器学习中常用。