机器学习常用的距离与相似性度量方法

对于机器学习与数据挖掘领域中的各种情况，在分析个体间差异的程度时，则通常需要评估个体间的相似性与分类特征。基于不同数据特性的特点，则可以选择多样化的度量方法。

以下简要介绍机器学习和数据挖掘中一些常见的距离公式，包括：

欧氏距离

欧几里得度量（euclidean metric）（亦称欧氏距离）：源自古希腊数学家欧几里的几何学基础概念，在平面几何中定义为两点之间最短路径的距离；特别是在二维或三维空间中计算两点之间的欧式距离时，默认即为两点间的实际直线距离。这正是我们在日常生活中所直观理解并应用的基本几何概念。

计算公式：

曼哈顿距离

Taxicab geometry or Manhattan distance (Manhattan Distance): This term was created by German mathematician Hermann Minkowski in the 19th century. It is a term used in the field of geometry to describe distances in geometric measurement spaces. It represents the sum of the absolu