位置: IT常识 - 正文
机器学习中的数学——距离定义（八）：余弦距离（Cosine Distance）
编辑：rootadmin推荐整理分享机器学习中的数学——距离定义（八）：余弦距离（Cosine Distance），希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:,内容如对您有帮助，希望把文章链接给更多的朋友！
分类目录：《机器学习中的数学》总目录 相关文章： · 距离定义：基础知识 · 距离定义（一）：欧几里得距离（Euclidean Distance） · 距离定义（二）：曼哈顿距离（Manhattan Distance） · 距离定义（三）：闵可夫斯基距离（Minkowski Distance） · 距离定义（四）：切比雪夫距离（Chebyshev Distance） · 距离定义（五）：标准化的欧几里得距离（Standardized Euclidean Distance） · 距离定义（六）：马氏距离（Mahalanobis Distance） · 距离定义（七）：兰氏距离（Lance and Williams Distance）/堪培拉距离（Canberra Distance） · 距离定义（八）：余弦距离（Cosine Distance） · 距离定义（九）：测地距离（Geodesic Distance） · 距离定义（十）： 布雷柯蒂斯距离（Bray Curtis Distance） · 距离定义（十一）：汉明距离（Hamming Distance） · 距离定义（十二）：编辑距离（Edit Distance，Levenshtein Distance） · 距离定义（十三）：杰卡德距离（Jaccard Distance）和杰卡德相似系数（Jaccard Similarity Coefficient） · 距离定义（十四）：Ochiia系数（Ochiia Coefficient） · 距离定义（十五）：Dice系数（Dice Coefficient） · 距离定义（十六）：豪斯多夫距离（Hausdorff Distance） · 距离定义（十七）：皮尔逊相关系数（Pearson Correlation） · 距离定义（十八）：卡方距离（Chi-square Measure） · 距离定义（十九）：交叉熵（Cross Entropy） · 距离定义（二十）：相对熵（Relative Entropy）/KL散度（Kullback-Leibler Divergence） · 距离定义（二十一）：JS散度（Jensen–Shannon Divergence） · 距离定义（二十二）：海林格距离（Hellinger Distance） · 距离定义（二十三）：α-散度（α-Divergence） · 距离定义（二十四）：F-散度（F-Divergence） · 距离定义（二十五）：布雷格曼散度（Bregman Divergence） · 距离定义（二十六）：Wasserstein距离（Wasserstei Distance）/EM距离（Earth-Mover Distance） · 距离定义（二十七）：巴氏距离（Bhattacharyya Distance） · 距离定义（二十八）：最大均值差异（Maximum Mean Discrepancy, MMD） · 距离定义（二十九）：点间互信息（Pointwise Mutual Information, PMI）
余弦距离(Cosine Distance)也可以叫余弦相似度。 几何中夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。nnn维空间中的余弦距离为： cos(x,y)=x⋅y∣x∣⋅∣y∣=∑i=1nxiyi∑i=1nxi2∑i=1nyi2\cos(x, y)=\frac{x\cdot y}{|x|\cdot|y|}=\frac{\sum_{i=1}^nx_iy_i}{\sqrt{\sum_{i=1}^nx_i^2}\sqrt{\sum_{i=1}^ny_i^2}}cos(x,y)=∣x∣⋅∣y∣x⋅y=∑i=1nxi2∑i=1nyi2∑i=1nxiyi
余弦取值范围为[−1,1][-1,1][−1,1]，求得两个向量的夹角，并得出夹角对应的余弦值，此余弦值就可以用来表示这两个向量的相似性。夹角越小，趋近于0度，余弦值越接近于1，它们的方向更加吻合，则越相似；当两个向量的方向完全相反夹角余弦取最小值-1；当余弦值为0时，两向量正交，夹角为90度。因此可以看出，余弦相似度与向量的幅值无关，只与向量的方向相关。
下面我们来看一下余弦距离的Python实现：
def CosineDistance(x, y): import numpy as np x = np.array(x) y = np.array(y) return np.dot(x,y)/(np.linalg.norm(x)*np.linalg.norm(y))
