本文介绍了数据挖掘和机器学习中的距离度量，如闵可夫斯基距离（包括L1范数的曼哈顿距离和L2范数的欧式距离），以及相似度计算方法，如余弦相似度、皮尔逊相关系数和Jaccard相似系数。这些概念在推荐系统和其他应用中起着关键作用，其中余弦相似度关注向量的方向，而欧式距离关注绝对数值。
距离：闵可夫斯基距离公式，也叫 Lp 范数：
当p=1时，变为曼哈顿距离公式，也即 L1范数：
当p=2时，变为欧式距离公式，也即 L2范数：
衡量空间中点的绝对距离，对绝对数值敏感。
相似性：
余弦相似：
最低0.47元/天 解锁文章
扫一扫
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
距离：闵可夫斯基距离公式，也叫 Lp 范数：
当p=1时，变为曼哈顿距离公式，也即 L1范数：
当p=2时，变为欧式距离公式，也即 L2范数：
衡量空间中点的绝对距离，对绝对数值敏感。
相似性：
余弦相似：
1532
5621
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
