本文介绍了在二维及多维空间中计算欧式距离、曼哈顿距离的方法，并详细阐述了如何利用余弦相似度衡量向量间的相似性。通过具体的数学公式和Python代码实例，帮助读者理解这些度量方式的具体应用。
欧式距离/欧几里得度量（Euclidean Distance）
欧氏距离就是两点之间最短的直线距离。
（1）二维空间里A、B两点间的欧式距离：
SAB=(xA−xB)2+(yA−yB)2 S_{AB}= \sqrt{\def\bar#1{#1^2} \bar{(x_A-x_B)}+\def\bar#1{#1^2} \bar{(y_A-y_B)}} SAB=(xA−xB)2+(yA−yB)2
（2）推广到nnn维空间内的两点P、QP、QP、Q：
P=(x1P,x2P,...,xnP),Q=(x1Q,x2Q,...,xnQ) P=(x_1^P,x_2^P,...,x_n^P),Q=(x_1^Q,x_2^Q,...,x_n^Q) P=(x1P,x2P,...,xnP),Q=(x1Q,x2Q,...,xnQ
扫一扫
1527
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
