两者相同的地方,就是在机器学习中都可以用来计算相似度,但是两者的含义有很大差别,以我的理解就是:
前者是看成坐标系中两个点,来计算两点之间的距离;
后者是看成坐标系中两个向量,来计算两向量之间的夹角。
前者因为是点,所以一般指位置上的差别,即距离;
后者因为是向量,所以一般指方向上的差别,即所成夹角。
如下图所示:
数据项A和B在坐标图中当做点时,两者相似度为距离dist(A,B),可通过欧氏距离(也叫欧几里得距离)公式计算:
当做向量时,两者相似度为cosθ,可通过余弦公式计算:
假设||A||、||B||表示向量A、B的2范数,例如向量[1,2,3]的2范数为:
√(1²+2²+3²) =√14
numpy中提供了范数的计算工具:linalg.norm()
所以计算cosθ起来非常方便(假定A、B均为列向量):
-
num=float(A.T*B)
-
denom=linalg.norm(A)*linalg.norm(B)
-
cos=num/denom
-
sim=0.5+0.5*cos
因为有了linalg.norm(),欧氏距离公式实现起来更为方便:
-
dist=linalg.norm(A-B)
-
sim=1.0/(1.0+dist)
关于归一化:
因为余弦值的范围是 [-1,+1] ,相似度计算时一般需要把值归一化到 [0,1],一般通过如下方式:
sim = 0.5 + 0.5 *cosθ
若在欧氏距离公式中,取值范围会很大,一般通过如下方式归一化:
sim = 1 / (1 +dist(X,Y))
说完了原理,简单扯下实际意义,举个栗子吧:
例如某T恤从100块降到了50块(A(100,50)),某西装从1000块降到了500块(B(1000,500))
那么T恤和西装都是降价了50%,两者的价格变动趋势一致,余弦相似度为最大值,即两者有很高的变化趋势相似度
但是从商品价格本身的角度来说,两者相差了好几百块的差距,欧氏距离较大,即两者有较低的价格相似度
-- EOF --
分享到:
相关推荐
改进欧氏距离测度算法,可以比较特征向量的距离相似度
欧氏距离工具根据直线距离描述每个像元与一个源或一组源的关系。
针对基于余弦相似度的K-means算法改进方案设计困难,且众多优异的基于欧氏距离的K-means改进方法无法适用的问题,对余弦相似度与欧氏距离的关系进行探讨,得到标准向量前提下二者的转化公式,并在此基础上定义一种与...
在近邻传播算法中引入密度思想,定义了密度因子和超欧氏距离测度概念,设计了密度敏感相似度度量元(即密集度量元),解决了传统近邻传播算法采用欧氏距离表示数据相似度难以有效处理复杂结构数据的不足。...
基于同态加密算法设计了安全的乘法协议、单个密钥加密下的完全平方式协议和联合公钥加密下的完全平方式协议,基于这三个基础计算协议设计了欧氏距离的外包计算协议。安全性分析表明该协议足够安全,效率分析显示该...
该matlab代码主要计算图像之间的欧氏距离!!
BERT模型,欧氏距离,余弦相似度,曼哈顿距离等算法 文件管理模块: (1) 创建文件夹(文件夹里面有用户的各种格式的文件,比如:word文件,pdf,txt), 实现以下文件夹的任务栏属性:文件名,文件夹里面的文件...
基于欧氏距离的K-MEANS算法优化,李轮,宋文广,对于传统的K-means聚类算法而言,在使用上有太多的局限性。文中针对K-means算法,在基于欧氏距离相似度计算的基础上,利用现有的一些�
可以使用各种相似度度量方法,如欧氏距离、余弦相似度等。 4. **推荐模型训练**:根据歌曲的特征和用户的偏好数据,构建推荐模型。可以使用机器学习算法,如基于内容的协同过滤、深度学习模型(如神经网络、图卷积...
从运行结果对比来看,如果欧氏距离使用默认值1.24,所换的脸都能通过识别算法,但从余弦相似度的结果来看,使用CodeFormer修复人脸后,人脸的特征还是有一定的损失。在算法没有优化之前,直接换脸结果的余弦相似度都...
行业教育软件-学习软件-欧氏距离计算器 1.0.zip
欧氏距离法识别数字。模板和数字差别不能太大。
基于核的图像欧氏距离人脸识别.pdf
通过使用OpenCV和vc实现欧氏距离模板匹配手写数字识别
最后,通过大量统计分析和机器学习案例提供实践指南,首先讲解回归分析、区间分布、数据图形化、分布趋势、正态分布、分布拟合等数据分析基础,然后讲解神经网络、统计算法、欧氏距离、余弦相似度、线性与非线性回归...
计算两个矩阵之间的欧氏距离,包括最后计算压缩图像的峰值信噪比和压缩效果的源码,利用最小二乘法进行拟合多元非线性方程。
文章详细阐述了距离变换相关知识,并对欧氏距离变换做了深入剖析,通过算法改进实现了加权欧式距离变换和全形态图形(点、线、面)加权voronoi图的生成,尤其是全形态图形加权vorinoi图的生成算法首次为面状图形加权...
计算数据欧氏距离,很详细的资料,个人编写
北大-图像距离课件,包含一个PPT转换过来的PDF文件,内容包括图像距离,Hausdorff 距离,切距离,欧氏距离等 。
k-近邻的分类算法,距离函数分别为欧式距离 和Manhatan 距离。