NN中常用的距離計算公式:歐式距離、曼哈頓距離、馬氏距離、餘弦、漢明距離

2021-02-20 算法與編程之美

歡迎點擊「算法與編程之美」↑關注我們！

本文首發於微信公眾號："算法與編程之美"，歡迎關注，及時了解更多此系列文章。

1 歐氏距離Euclidean Distance：

2 曼哈頓距離Manhattan：

3 Mahalanobis馬氏距離

馬氏距離的淺顯解釋，見我的博文：https://blog.csdn.net/weixin_41770169/article/details/80759195

馬氏距離和歐式距離的對比，見我的博文：https://blog.csdn.net/weixin_41770169/article/details/80759236

4 cosine similarity

cosine distance = 1 - cosine similarity

5 Hammi漢明距離

漢明距離是一個概念，它表示兩個（相同長度）字對應位不同的數量

比如：1011101 與 1001001 之間的漢明距離是 2

參考文章：

https://blog.csdn.net/Kevin_cc98/article/details/73742037

更多精彩文章：

什麼是機器學習

關於網頁首頁設計的一點思考

新手小白應該如何學習MUI

聊一聊編程的本質

深入理解瀏覽器內核 - 概述

深入理解瀏覽器內核 - 瀏覽器內核介紹

深入理解瀏覽器內核 - 瀏覽器內核依賴關係

python快速求解不定積分和定積分

AI告訴你張無忌最愛的竟是...

Jupyter快速編輯高大上數學公式 泰勒展開式

Jupyter快速編輯高大上數學公式 常見希臘字母

基本初等函數 指數函數

基本初等函數 指數函數 代碼篇

聊一聊JavaWeb面試

聊一聊單片機和伺服器

50行代碼實現簡單的網站伺服器

50行代碼實現網站伺服器 2

50行代碼實現網站伺服器 3

Tomcat源碼分析之 doGet方法(一)

Tomcat源碼分析之 doGet方法(二)

Tomcat源碼分析之 doGet方法(三)

Tomcat源碼分析之 doGet方法(四)

Tomcat源碼分析之中文亂碼(一)

一種基於狀態機的 DOM 樹生成技術(1)

一種基於狀態機的 DOM 樹生成技術(2) 

溫馨提示：點擊頁面右下角「寫留言」發表評論，期待您的參與！期待您的轉發！

相關焦點

  • 常用的相似度和距離計算方法
    與餘弦相似度相關的指標叫做餘弦距離，定義如下：適用場景這裡和歐式距離比較著來說，歐式距離體現數值上的據對差異，而餘弦距離體現方向上的相對差異。同類型的還有曼哈頓距離，明可夫斯距離等。適用場景使用歐式距離計算距離的時候，需要消除量綱問題。
  • 歐氏距離、閔氏距離和馬氏距離(閔可夫斯基軼事外一則)
    本文介紹一下另外兩種常用的距離定義：閔可夫斯基（Minkowski）[1]距離（簡稱閔氏距離）和馬哈拉諾比斯[2]（Mahalanobis）距離（簡稱馬氏距離），它們都可以看作是歐氏距離的推廣。注意上式的兩種不同表達方式，第一種是用各分量顯式表達出計算公式來，第二種是利用向量點乘運算表達，正是從這兩種不同表達形式分別推廣出了閔氏距離和馬氏距離。
  • 多元統計分析——歐式距離和馬氏距離
    今天介紹一下歐式距離和馬氏距離。歐式距離大家都比較熟悉，但是歐式距離在某些情境下不太適用，於是印度統計學家馬哈拉諾比斯(P. C. Mahalanobis)提出了馬氏距離，來解決不能直接使用歐式距離的問題。文章分為四個部分，第一部分簡單介紹歐式距離，第二部分給出不能直接使用歐式距離的例子，第三部分介紹馬氏距離，第四部分將歐式距離和馬氏距離的優缺點作比較。
  • CICC科普欄目|距離,原來還有這麼多類
    採用什麼樣的方法計算距離是很講究，甚至關係到分類的正確與否。1. 歐氏距離(EuclideanDistance)       歐氏距離是最易於理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。若X是一個M×N的矩陣，則pdist(X)將X矩陣M行的每一行作為一個N維向量，然後計算這M個向量兩兩間的距離。例子：計算向量(0,0)、(1,0)、(0,2)兩兩間的歐式距離    1.0000   2.0000    2.23612. 曼哈頓距離(ManhattanDistance)       從名字就可以猜出這種距離的計算方法了。
  • 常見的距離算法和相似度計算方法
    也就是和象棋中的「車」一樣橫平豎直的走過的距離。曼哈頓距離是超凸度量。1.4 傑卡德距離（Jaccard Distance）: 用來衡量兩個集合差異性的一種指標，它是傑卡德相似係數的補集，被定義為1減去Jaccard相似係數。適用於集合相似性度量，字符串相似性度量 。
  • 詳解數學中的「距離」
    「常用的距離公式」的問題大家都學過幾何，對於線段的距離，兩點之間的距離都會求，方法是先求出兩個點的坐標，然後利用公式： 有了這個距離公式就可以通吃所有距離問題了嗎？你想的太簡單了，數學是科學，是要解決問題的，來看下面的問題：
  • 機器學習中距離和相似性度量方法
    閔可夫斯基距離閔可夫斯基距離（Minkowski distance）是衡量數值點之間距離的一種非常常見的方法，假設數值點 P 和 Q 坐標如下：該距離最常用的 p 是 2 和 1, 前者是歐幾裡得距離（Euclidean distance），後者是曼哈頓距離（Manhattan distance）。
  • 機器學習中的分類距離
    曼哈頓距離我們首先從曼哈頓距離來形象了解機器學習中的距離，曼哈頓距離也是機器學習中常採用的一種距離。我們知道曼哈頓是「世界的十字路口」，那裡有非常多的十字交叉路口。(圖片來源網絡)曼哈頓距離，說的是從街區中的一個十字路口到另一個十字路口所經過的街區距離，因此也稱為城市街區距離。
  • 馬氏距離及其幾何解釋
    機器學習中的算法會用到很多不同距離概念，網上有很多文章介紹。本文要講的是其中一種，馬氏距離(Mahalanobis Distance)。由於網頁上寫公式實在痛苦，所以儘量節省公式，有些地方用Latex命令代替了。馬氏距離是由印度統計學家馬哈拉諾比斯(P. C.
  • 513,漢明距離
    兩個整數之間的漢明距離指的是這兩個數字對應二進位位不同的位置的數目。給出兩個整數 x 和 y，計算它們之間的漢明距離。注意：0 ≤ x, y < 2^31.x和y都轉化為二進位的時候，在相同的位置上如果值都一樣，他們的漢明距離就是0。如果在相同的位置上值不一樣，有多少個不一樣的位置，那麼漢明距離就是多少。所以看到這道題，我們應該最容易想到的就是先異或運算，然後再計算這個異或運算的結果在二進位表示中1的個數。
  • 閔式距離詳解及其SPSS實現
    多元統計分析中，距離是衡量樣品和變量間相似性和差異性的常用測度。許多多元方法都是以距離為基礎建立起來的。Minkowski距離是多元統計中最常見的一種距離形式，不同參考資料的翻譯名稱不同，有些叫閔可夫斯基距離，也有資料稱作明考斯基距離，建議記憶其英文名稱。本文主要包括三部分：①閔可夫斯基距離及其分類。②曼哈頓距離和切比雪夫距離的相互轉化。
  • 【陳巍翻譯】A13:近似匹配、漢明距離、和編輯距離
    這樣，我們必須要能夠準確地定義這個「距離」。 所以第一種差距，我們將之定義為「漢明距離」（Hamming distance）。所以如果你有兩個字符串，X和Y，這兩個字符串的長度相同，我們可以將X和Y之間的漢明距離定義為：我們需要做的最小的替代次數。也就是把一個字符串，通過替換其中的字符，將之轉換成另一個字符串。
  • 相似度距離度量公式
    常用的相似度度量距離有：歐幾裡得距離、餘弦相似度距離、曼哈頓距離、閔可夫斯基距離、切比雪夫距離、Jaccard相似係數、皮爾森相關係數。
  • 用Numpy手寫各種距離度量
    在二維和三維空間中的歐氏距離就是兩點之間的實際距離。def euclidean(x, y):    return np.sqrt(np.sum((x - y)**2))2.曼哈頓距離(Manhattan distance) 想像你在曼哈頓要從一個十字路口開車到另外一個十字路口，駕駛距離是兩點間的直線距離嗎
  • #數據挖掘##高階統計#「距離計算」(基因晶片數據挖掘基本概念)
    原標題：#數據挖掘##高階統計#「距離計算」（基因晶片數據挖掘基本概念） 餘弦相似度 這裡我將奉上最後一個公式：餘弦相似度。它在文本挖掘中應用得較多，在協同過濾中也會使用到。為了演示如何使用該公式，我們換一個示例。
  • 距離公式的應用——點到直線的距離平行線的距離
    （一）平行線間的距離M、N是兩條平行直線之間上任意一點，它們之間最短的距離就是該平行線之間的距離。利用平行線間的公式就可以求出。平行線間的距離應用（二）點到直線的距離直線的傾斜角為三十度，與圓交於y軸，根據點到直線的距離公式，以及勾股定理求出直線與圓相交的弦長，從而得出A點是AE的中點，根據平行線性質DC的距離恰為EC的中點，根據三角形知識即可求出CD的距離。
  • 機器學習裡的歐氏距離
    在詩句裡，距離可以很浪漫，「世界上最遙遠的距離，不是生與死的距離，不是天各一方，而是，我就站在你的面前，你卻不知道我愛你」。在機器學習裡，距離是嚴謹的，需要一個精確的公式來計算。許多機器學習的常見算法都需要用到距離函數，即用於計算兩個不同觀測(obs)之間的距離。
  • 數據科學家絕對不能錯過的3個距離
    歐式距離（Euclidean Distance）（或直線距離）歐氏距離算法最直觀：這是有人讓我們測量距離時最直觀的一種距離計算方法。歐氏距離就是橫縱坐標軸（x,y）內兩點間的直線距離：比如在世界地圖上，可以通過坐標（緯度，經度）鎖定一個城市。
  • 【機器學習基礎】常見二分類損失函數、距離度量的Python實現
    在二維和三維空間中的歐氏距離就是兩點之間的實際距離。def euclidean(x, y):    return np.sqrt(np.sum((x - y)**2))2.曼哈頓距離(Manhattan distance) 想像你在曼哈頓要從一個十字路口開車到另外一個十字路口，駕駛距離是兩點間的直線距離嗎
  • 【機器學習基礎】常見二分類損失函數、距離度量的 Python 實現
    在二維和三維空間中的歐氏距離就是兩點之間的實際距離。def euclidean(x, y):    return np.sqrt(np.sum((x - y)**2))2.曼哈頓距離(Manhattan distance) 想像你在曼哈頓要從一個十字路口開車到另外一個十字路口，駕駛距離是兩點間的直線距離嗎