分類目錄：《機(jī)器學(xué)習(xí)中的數(shù)學(xué)》總目錄
相關(guān)文章：
· 距離定義：基礎(chǔ)知識
· 距離定義（一）：歐幾里得距離（Euclidean Distance）
· 距離定義（二）：曼哈頓距離（Manhattan Distance）
· 距離定義（三）：閔可夫斯基距離（Minkowski Distance）
· 距離定義（四）：切比雪夫距離（Chebyshev Distance）
· 距離定義（五）：標(biāo)準(zhǔn)化的歐幾里得距離（Standardized Euclidean Distance）
· 距離定義（六）：馬氏距離（Mahalanobis Distance）
· 距離定義（七）：蘭氏距離（Lance and Williams Distance）/堪培拉距離（Canberra Distance）
· 距離定義（八）：余弦距離（Cosine Distance）
· 距離定義（九）：測地距離（Geodesic Distance）
· 距離定義（十）： 布雷柯蒂斯距離（Bray Curtis Distance）
· 距離定義（十一）：漢明距離（Hamming Distance）
· 距離定義（十二）：編輯距離（Edit Distance，Levenshtein Distance）
· 距離定義（十三）：杰卡德距離（Jaccard Distance）和杰卡德相似系數(shù)（Jaccard Similarity Coefficient）
· 距離定義（十四）：Ochiia系數(shù)（Ochiia Coefficient）
· 距離定義（十五）：Dice系數(shù)（Dice Coefficient）
· 距離定義（十六）：豪斯多夫距離（Hausdorff Distance）
· 距離定義（十七）：皮爾遜相關(guān)系數(shù)（Pearson Correlation）
· 距離定義（十八）：卡方距離（Chi-square Measure）
· 距離定義（十九）：交叉熵（Cross Entropy）
· 距離定義（二十）：相對熵（Relative Entropy）/KL散度（Kullback-Leibler Divergence）
· 距離定義（二十一）：JS散度（Jensen–Shannon Divergence）
· 距離定義（二十二）：海林格距離（Hellinger Distance）
· 距離定義（二十三）：α-散度（α-Divergence）
· 距離定義（二十四）：F-散度（F-Divergence）
· 距離定義（二十五）：布雷格曼散度（Bregman Divergence）
· 距離定義（二十六）：Wasserstein距離（Wasserstei Distance）/EM距離（Earth-Mover Distance）
· 距離定義（二十七）：巴氏距離（Bhattacharyya Distance）
· 距離定義（二十八）：最大均值差異（Maximum Mean Discrepancy, MMD）
· 距離定義（二十九）：點(diǎn)間互信息（Pointwise Mutual Information, PMI）
歐幾里得距離或歐幾里得度量是歐幾里得空間中兩點(diǎn)間的即直線距離。使用這個(gè)距離，歐氏空間成為度量空間，相關(guān)聯(lián)的范數(shù)稱為歐幾里得范數(shù)。
n
n
n維空間中的歐幾里得距離：
d
(
x
,
y
)
=
∑
i
=
1
n
(
x
i
?
y
i
)
2
=
(
x
1
?
y
1
)
2
+
(
x
2
?
y
2
)
2
+
?
+
(
x
n
?
y
n
)
2
d(x, y)=\sqrt{\sum_{i=1}^n(x_i-y_i)^2}=\sqrt{(x_1-y_1)^2+(x_2-y_2)^2+\cdots+(x_n-y_n)^2}
d(x,y)=i=1∑n?(xi??yi?)2?=(x1??y1?)2+(x2??y2?)2+?+(xn??yn?)2?
2
2
2維空間中的歐幾里得距離：
d
(
x
,
y
)
=
(
x
1
?
y
1
)
2
+
(
x
2
?
y
2
)
2
d(x, y)=\sqrt{(x_1-y_1)^2+(x_2-y_2)^2}
d(x,y)=(x1??y1?)2+(x2??y2?)2?文章來源：http://www.zghlxwxcb.cn/news/detail-410574.html
下面我們來看一下歐幾里得距離的Python實(shí)現(xiàn)：文章來源地址http://www.zghlxwxcb.cn/news/detail-410574.html
def EuclideanDistance(x, y):
import numpy as np
x = np.array(x)
y = np.array(y)
return np.sqrt(np.sum(np.square(x-y)))
到了這里，關(guān)于機(jī)器學(xué)習(xí)中的數(shù)學(xué)——距離定義（一）：歐幾里得距離（Euclidean Distance）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
