本文比较了欧氏距离和余弦距离在衡量空间向量和数据分析中的特性，指出欧氏距离关注绝对数值差异，常用于用户行为分析，而余弦距离侧重方向差异，适用于标准化评分的相似度计算。还提及了Python在相似度计算中的应用，如Jaccard和文本相似度计算。
欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关；而余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置。如果保持A点位置不变，B点朝原方向远离坐标轴原点，那么这个时候余弦距离是保持不变的（因为夹角没有发生变化），而A、B两点的距离显然在发生改变，这就是欧氏距离和余弦距离之间的不同之处。
欧氏距离和余弦距离各自有不同的计算方式和衡量特征，因此它们适用于不同的数据分析模型：
欧氏距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。
余弦距离更多的是从方向上区分差异，而对绝对的数值不敏感，更多的用于使用用户对内容评分来区分兴趣的相似度和差异，同时修正了用户间可能存在的度量标准不统一的问题（因为余弦距离对绝对数值不敏感）。
相似度计算：Jaccard，余弦距离，数据舍入（Rounding），评分标准化（Normalizing Ratings）
扫一扫
495
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
