机器学习中的距离

逆行时针

于 2019-07-19 15:49:45 发布

阅读量418

点赞数 1

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/dhyaishuai/article/details/96479401

版权

本文介绍了机器学习中常见的距离度量方法，包括欧式距离、平方欧式距离、曼哈顿距离、余弦距离和闵可夫斯基距离，以及切比雪夫距离。通过这些距离度量，可以量化不同向量或点之间的相似度或差异性，从而在各种算法中应用，如聚类和分类等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

欧式距离

也称欧几里得距离，在一个N维度的空间里，求两个点的距离，这个距离肯定是一个大于等于零的数字，那么这个距离需要用两个点在各自维度上的坐标相减，平方后加和再开方。

二维： $d=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2}$
三维： $d=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2+(z_1-z_2)^2}$

平方欧式距离

就是欧式距离的平方

曼哈顿距离

相比欧氏距离要简单得多，曼哈顿距离只要把两个点坐标的x坐

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。