n维空间的欧氏距离公式_距离的总结（欧氏距离）

首先要感谢各种距离 - 我只想做一个努力的人 - 博客频道 - CSDN.NET

http://blog.csdn.net/shiwei408/article/details/7602324

在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。​

1. 欧氏距离(EuclideanDistance)

欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。

(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离：

摘要(选填

(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,…,x2n)间的欧氏距离：

也可以用表示成向量运算的形式：

向量形式如何理解？

(4)Matlab计算欧氏距离

Matlab计算距离主要使用pdist函数。

若X是一个M×N的矩阵，则pdist(X)将X矩阵M行的每一行作为一个N维向量，然后计算这M个向量两两间的距离。

例子：计算向量(0,0)、(1,0)、(0,2)两两间的欧式距离

X= [0 0 ; 1 0 ; 0 2]

D= pdist(X,'euclidean')

结果：

D=

1.0000   2.0000

2.