在机器学习中，会经常与各种距离打交道。于是，在这篇文章中，我们来简单总结一下常见的距离以及其计算方式。 首先定义两个向量a⃗=(x1,x2,…,xn),b⃗=(y1,y2,…,yn)\vec{a}=(x_1,x_2,\ldots,x_n),\vec{b}=(y_1,y_2,\ldots,y_n)a =(x1,x2,…,xn),b =(y1,y2,…,yn)，然后计算它们之间的距离。 曼哈顿距离 又称“街区距离”。是向量各维度差值的绝对值之和。 d=∑i=1n∣xi−yi∣ d=\sum_{i=1}^n\vert x_i-y_i\vert d=i=1
本文介绍了机器学习中常见的几种距离计算方法，如曼哈顿距离、欧氏距离、标准化欧氏距离、切比雪夫距离、闵可夫斯基距离（包括特殊情况下如p=1和p=2时对应的距离）、余弦距离以及字符串距离（如汉明距离和编辑距离），并给出了简单的计算示例。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
