本文介绍了矩阵相似性度量的几种常见方法，包括欧氏距离、切比雪夫距离、曼哈顿距离、闵可夫斯基距离、马氏距离以及对称点距离和相关系数。着重讲解了这些方法在IT领域的应用，如神经网络中的LayerNormalization。最后提到了余弦相似度在连续性变量聚类中的重要性。
矩阵的相似性度量的常用方法
1，欧氏距离
欧式距离是最易于理解的一种距离计算方法，源自欧式空间中两点间的距离公式。
(1)二维平面上的点a(x1,y1)a(x_1,y_1)a(x1,y1)和点b(x2,y2)b(x_2,y_2)b(x2,y2)的欧式距离为
d=(x1−x2)2+(y1−y2)2d=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2}d=(x1−x2)2+(y1−y2)2
(2)三维平面上的点a(x1,y1,z1)a(x_1,y_1,z_1)a(x1,y1,z1)和点b(x2,y2,z−2)b(x_2,y_2,z-2)b(x2,y2,z−2)的欧式距离为
d=(x1−x2)2+(y1−y2)2+(z1−z2)2d=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2+(z_1-z_2)^2}d=(x1−x2)2+(y1−y2)2
最低0.47元/天 解锁文章
扫一扫
3843
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
