讨论几种常见的距离度量方法：欧氏距离和余弦相似度

前因

在机器学习和深度学习领域的诸多应用场景中，在分析数据特征时经常会遇到对两个样本之间相似程度进行评估的需求。为此设计出多种不同的计算方法是常见的做法，在这些方法中较为常用的是欧氏距离和余弦距离两种指标，在实际应用中如何选择合适的指标是一个关键问题，在深入探讨这一选择依据之前有必要了解这两种指标的基本概念以及它们之间的关联性与差异性究竟体现在哪些方面

探索

在机器学习当中，通常以一组向量来表示样本

如上图所示，欧式距离是通过勾股定理来计算两个向量之间的距离：

余弦相似度是计算两个向量之间夹角的余弦值：

通常用1-D(x,y)来表示余弦距离。