文章介绍了在二维及多维空间中衡量距离的两种常见方法——曼哈顿距离和欧几里得距离。曼哈顿距离是各坐标轴差值绝对值的总和，而欧几里得距离则是各坐标差值平方和的平方根。这两种距离公式在数据分析、机器学习以及计算机图形学等领域有广泛应用。
二维平面中的距离可以扩展到多维平面，也就是向量的距离。距离有曼哈顿（Manhattan）距离和欧几里得（Euclid，又叫欧氏）距离。
n维曼哈顿距离公式为：
d
1
(
I
i
,
I
j
)
=
∑
p
=
1
n
∣
I
i
(
p
)
−
I
j
(
p
)
∣
\large{d_1(I_i,I_j)=\sum_{p=1}^n|I_i^{(p)}-I_j^{(p)}|}
d1(Ii,Ij)=p=1∑n∣Ii(p)−Ij(p)∣
n维欧几里得距离公式为：
d
2
(
I
i
,
I
j
)
=
∑
p
=
1
n
(
I
i
(
p
)
−
I
j
(
p
)
)
2
\large{d_2(I_i,I_j)=\sqrt{\sum_{p=1}^n(I_i^{(p)}-I_j^{(p)})^2}}
d2(Ii,Ij)=p=1∑n(Ii(p)−Ij(p))2
9222
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
