样本间距计算方式总结

样本间相似度/距离计算方法总结

标签（空格分隔）： 机器学习

闵可夫斯基距离

Minkowski距离，也成欧式距离，计算方法为：

\begin{equation} dist(X, Y) = (\sum_{i=1}^{n}|x_{i}-y_{i}|^{p})^{\frac{1}{p}} \end{equation}
这是我们在主流的距离计算方法中使用的一种形式，并被称为范数形式。
当参数p取值为2时，则得到了我们熟知的欧几里得距离。

Jaccard相似系数

\begin{equation} J(A, B) = \frac{|A \cap B|}{|A \cup B|} \end{equation}

余弦相似度(consine similarity)

$\begin{equation}
\cos(\theta) = \frac{X^TY}{\lvert X\rvert \cdot \lvert Y\rvert}
=
\frac{
\sum\limits_{i=1}^n X_i Y_i
}{
\sqrt{
\sum\limits_{i=1}^n X_i^2
}
\cdot