標準化歐氏距離
馬氏距離
夾角余弦距離
漢明距離
曼哈頓(manhattan)距離1,
x2x1,x2
間的距離公式： ixi
的各個維度之間的尺度不一樣。
【對於尺度無關的解釋】如果向量中第一維元素的數量級是100，第二維的數量級是10，比如v1=(100,10,30),v2 = (500,40)，則計算歐式距離 2i
si2=
x=先進行歸一化，對映到正太分布n(0,1)的區間： xi
post
=(xi
−u)/
sxipost=(xi−u)/s
其中u為均值，s2s2
為方差。
其實，這就是馬氏距離要做的事。馬氏距離的結果也是將資料投影到n(0,1)區間並求其歐式距離。xux
為向量x=x=
的均值，uyuy
為y=y=的均值，σ
σ 是x與y的協方差
點x與y的馬氏距離： σς
σ考慮進資料之間的聯絡−1
σ−1的求法：
σ進行svd分解(由於協方差矩陣是對稱矩陣，因此此處嚴格說來是特徵值分解evd)。
[2]歐氏距離和余弦相似度的區別是什麼？
csdn 公式編輯 轉換
馬氏距離與歐式距離
1 歐式距離 2 標準歐式距離 3 馬氏距離 4 測試 構造資料，構建乙個長軸為2短軸為1的橢圓 測試兩個點到質心的距離綠色的點x1 1,0 和黃色的點x2 0,0.8 通過計算歐式距離發現x2距離質心更近一些，但是計算馬氏距離和標準歐式距離卻又是x1距離的更近些 很直接的原因就是長軸的方差比較大，...
馬氏距離vs歐式距離
馬氏距離的計算是建立在總體樣本的基礎上的，這一點可以從協方差矩陣的解釋中可以得出，也就是說，如果拿同樣的兩個樣本，放入兩個不同的總體中，最後計算得出的兩個樣本間的馬氏距離通常是不相同的，除非這兩個總體的協方差矩陣碰巧相同 在計算馬氏距離過程中，要求總體樣本數大於樣本的維數，否則得到的總體樣本協方差矩...
歐式距離 caffe tensorflow
關於每個樣本對 向量 求l2 loss 相減 平方 求和 除以2 對mini batch內的所有損失取平均 m對應官方文件中的n 實現 補充點 l2 範數 平方 求和 開根號 l2範數的平方 平方 求和 l2 loss 平方 求和 除以2 下圖是tensorflow 手冊 相減 平方 求和 axis...