距离

2019独角兽企业重金招聘Python工程师标准>>>

欧式距离（Euclidean distance）：

    两点 x=(x1, x2, x3) , y=(y1, y2, y3) 之间的欧式距离为：d(x, y) = 

曼哈顿距离（Manhattan distance）：

    两点 x=(x1, x2, x3) , y=(y1, y2, y3) 之间的欧式距离为：d(x, y) = |x1 – y1| + |x2 – y2| + |x3 – y3|

马氏距离（Mahalanobis distance）：

   （1） 对于一个样本X，其均值 u=，协方差矩阵为 ，其马氏距离为：d =

            如果是单位矩阵，则马氏距离退化成欧式距离。马氏距离用来度量一个样本点到样本分布中心的距离。

    （2）当然，马氏距离也可以度量两个来自同一分布的样本x和y的相似性：

            d =

 

转载于:https://my.oschina.net/yepanl/blog/3045180