谈谈距离度量方式：欧氏距离与余弦距离

最新推荐文章于 2025-03-05 11:09:22 发布
原创 最新推荐文章于 2025-03-05 11:09:22 发布 · 792 阅读 · 17 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

本文探讨了机器学习中常用的两种距离度量方式——欧氏距离和余弦距离，分析了它们的区别和应用场景。欧氏距离衡量的是向量之间的绝对差异，适用于低维数据且大小重要的情况；而余弦距离关注向量的方向差异，适用于高维或稀疏向量。将欧氏距离应用于归一化的向量，则等同于余弦距离。余弦距离不满足三角不等式，因此不是严格意义上的距离。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前因

在机器学习/深度学习的很多任务中，我们通常会面临着两个样本之间相似度的比较。通常常用的两种度量方式为欧氏距离与余弦距离，那么在什么时候用欧氏距离？什么时候用余弦相似度？他们之间的联系与区别在哪里呢？

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。

分析：

首先谈谈区别，欧氏距离的范围是不确定的(没有经过归一化)，得到的值可能很大(

最低0.47元/天 解锁文章

200万优质内容无限畅学
余弦相似度、欧式距离、闵氏距离、曼哈顿距离、切比雪夫距离。
12-28 2619
向量空间（线性空间）与欧式空间： 联系：线性空间中的向量对应于欧几里得平面中的点，在线性空间中的加法运算对应于欧几里得空间中的平移。 1、线性空间：是数学上的向量空间；解析几何里引入向量概念后，使许多问题的处理变得更为简洁和清晰，在此基础上的进一步抽象化，形成了与域相联系的向量空间概念。 2、欧氏空间：是一个点的高维空间，这个点可以是一个事务，所在的维度多重！是一个特别的度量空间，使得我们能够对其的拓扑性质，在包含了欧氏几何和非欧几何的流行的定义上发挥了作用。 欧式距离原本是用来衡量两个高维空间中点
余弦相似度和欧氏距离_欧氏距离和余弦相似度
weixin_26705191的博客
08-20 741
余弦相似度和欧氏距离Photo by Markus Winkler on Unsplash Markus Winkler在Unsplash上拍摄的照片 This is a quick and straight to the point introduction to Euclidean distance and cosine similarity with a focus on NLP. 这是对欧...
余弦距离与欧式距离
AvenueCyy的博客
04-23 1813
前几天在做数据分析笔试题的时候，上面问到了欧氏距离和余弦距离的差别，并不是很清楚。因此，在此学习下这个知识点，作个总结。 注：文本转载自：https://zhuanlan.zhihu.com/p/84643138 一、余弦距离 简单来说，余弦相似度，就是计算两个向量间的夹角的余弦值。余弦距离就是用1减去这个获得的余弦相似度。 由上面的余弦距离可以知道，余弦距离的取值范围为[0,2] ,这就满足了...
余弦距离介绍
热门推荐
lucky_kai的博客
04-25 3万+
原文链接：https://www.jianshu.com/p/2ae25fc02d4e 涉及到数学公式的地方，还请查看原文链接。 概述： 在机器学习领域中，通常将特征表示为向量的形式，所以在分析两个特征向量之间的相似性时，常用余弦相似度表示。例如将两篇文章向量化，余弦距离可以避免因为文章的长度不同而导致距离偏大，余弦距离只考虑两篇文章生成的向量的夹角。 余弦相似度的取值范围是[-1,1]，相同两个...
距离和相似度度量[转]
weixin_34080951的博客
08-20 1379
在数据分析和数据挖掘的过程中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如K最近邻（KNN）和K均值（K-Means）。当然衡量个体差异的方法有很多，最近查阅了相关的资料，这里整理罗列下。 　　为了方便下面的解释和举例，先设定我们要比较X个体和Y个体间的差异，它们都包含了N个维的特征，即X=（x1, x2, x3, ...
常见距离度量方法优缺点对比！
Datawhale
02-09 6990
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货译者：张峰，安徽工业大学，Datawhale成员许多算法，不管是有...
机器学习面试（一）
taka_is_beauty的博客
03-05 1989
1.甚么叫极大似然估计？ 思想：让样本出现的概率最大化。 2.判别式模型和生成式模型？ 生成式模型先需要对联合概率分布进行建模，然后计算后验概率来得到模型。 判别式模型直接用条件概率分布或者决策函数作为模型。 生成式模型：朴素贝叶斯、、贝叶斯网络、混合高斯模型、K-MEANS、隐马尔可夫模型、马尔科夫随机场 、主题模型（LDA & PLSA） 判别式模型：线性回归、逻辑回归模型...
黎曼传记资料（2010-04-22 22:17:06）
u010401391的专栏
11-02 6888
 黎曼的数学成就： 一、实、复分析 1.1三角级数 1.2黎曼积分 1854年，黎曼定义了有界函数的积分。 黎曼积分的定义：设M为空间R^n(n0]∑[10]∑[1 1.3在偏微分方程中他给出了解波动方程的一个重要方法 黎曼-许瓦兹定理 黎曼关于条件收敛级数的定理，通过重排可以得到任何数 二、解析数论 2.1黎曼ζ函数的研究 三、局部微分几何 3.1（拓扑）流形、微分
文本嵌入演变、可视化和应用的综合指南
安静的软件工程师
02-24 1123
文本嵌入演变、可视化和应用的综合指南
余弦相似度和欧氏距离
最新发布
code旭的博客
03-05 416
余弦相似度关注方向，欧式距离关注位置差异。
余弦相似度 与 欧式距离 选择
weixin_37589896的博客
09-17 1878
转载自：http://www.cnblogs.com/chaosimple/archive/2013/06/28/3160839.html 余弦相似度公式： 欧式距离公式： 二维空间的公式 (2)三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离：   (3)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…
欧式距离、余弦相似度和余弦距离
RUN
11-14 2168
欧式距离 也称欧几里得距离,是最常见的距离度量,衡量的是多维空间中两个点之间的绝对距离。 多维空间每个坐标的差的平方和再求平方根 余弦相似度 范围[-1， 1]，相同则相似度为1。 A和B的点乘除以他们长度的乘积。 余弦距离 范围（0，2）， ...
欧式距离 和 余弦相似度
Jiashilin
06-26 1457
欧式距离和 余弦相似度 都单位向量化后，再化简后就是：，其中cos为余弦相似度，euc为欧氏距离。 两者在归一化为单位向量的时候计算相似度结果完全一样。只不过余弦相似度是值越大月相似，欧式距离是值越小越相似 两者各自的适用模型： 欧氏距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。...
欧式距离与余弦相似度的比较
史蒂夫方
04-22 819
該文章轉載 歐氏距離與餘弦相似度的比較 在數據挖掘中，相似性度量是個基礎且重要的問題，我們經常想得知兩個個體之間存在的差異大小，藉由一個合適的度量方式，幫助我們執行分群、分類等任務。在眾多度量方式，最耳熟能詳的莫過於歐式距離、餘弦相似度，這篇文章將帶領讀者初探兩者的原理及應用場景。 歐式距離 歐式距離或稱歐幾里得距離，一種簡單直觀且有效的距離度量方式。回想初中計算座標(x1,y1)、(x2,y2)...
欧式距离与余弦相似度
donghu6217的博客
04-09 391
1）概述 　　两者都是评定个体间差异的大小的。欧几里得距离度量会受指标不同单位刻度的影响，所以一般需要先进行标准化，同时距离越大，个体间差异越大； 　　空间向量余弦夹角的相似度度量不会受指标刻度的影响，余弦值落于区间[-1,1]，值越大，差异越小。 2）计算公式 　　欧氏距离（也叫欧几里得距离）公式： 　　余弦相似度的计算公式如下： 3）归一化 一般来说，为了...
欧式距离和余弦相似度的关系
TernencezzZ的博客
03-31 2975
欧式距离和余弦相似度的关系 前言 初学人脸识别的项目时，了解了两种损失设计的方法，其一是centerLoss，另外是arcFace，其中centerLoss的方法主要需要计算的是每个特征到其所属类中心点的欧氏距离，而arcFace需要计算的则是每个特征向量与其所属类决策线的余弦相似度，这里便牵涉到两种距离衡量方法。 以下为欧式距离的公式： 以下为余弦相似度的公式： 以下为两者关系的推到过程： 对于欧氏距离，值越小说明两点距离越近，相似度越高；而对于余弦相似度来说，夹角越小，余弦相似度越大，两向
欧氏距离和余弦距离的区别
ee58594的博客
05-22 294
欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关；而余弦距离衡量的是空间向量的夹角，更加体现在方向上的差异，而不是位置。
百面机器学习 #2 模型评估：03 余弦距离和余弦相似度、欧氏距离
petSym的博客
05-19 1163
文章目录余弦相似度余弦相似度和余弦距离和欧式距离的比较和关系余弦距离不是一个严格定义的距离 在模型训练过程中，我们也在不断地评估着样本间的距离，如何评估样本距离也是定义优化目标和训练方法的基础。 在分析两个特征向量之间的相似性时，常使用余弦相似度来表示。余弦相似度的取值范围是[−1,1]，相同的两个向量之间的相似度为1。 余弦相似度 两个向量夹角的余弦 cos(A,B)=A⋅B∣∣A∣∣2∣∣B∣∣2 cos(A,B)=\frac{A\cdot B}{||A||_2 ||B||_2} cos(A,B)
距离度量：欧氏距离与标准化欧氏距离解析
除了标准欧氏距离，还有其他多种距离度量方式。例如： - 曼哈顿距离（Manhattan Distance）：在每个维度上分别计算绝对差的总和。 - 切比雪夫距离（Chebyshev Distance）：取各个维度上绝对差的最大值。 - ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值