在数据分析、机器学习以及人工智能等众多领域中，相似性度量是一个非常重要的概念。它帮助我们理解数据之间的内在联系，是推荐系统、聚类分析以及许多其他应用的基础。下面，我将为大家揭秘四大常用相似模型的核心公式：欧几里得距离、曼哈顿距离、余弦相似度与杰卡德相似系数，让你轻松掌握算法奥秘！
一、欧几里得距离
欧几里得距离（Euclidean distance）是空间中最常见的距离度量方式，它基于勾股定理计算两点之间的直线距离。
公式：
设 ( A(x_1, y_1, …, z_1) ) 和 ( B(x_2, y_2, …, z_2) ) 是两个 ( n ) 维向量，则它们之间的欧几里得距离为：
[ d(A, B) = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2 + … + (z_2 - z_1)^2} ]
应用举例：
假设我们有两个点 ( A(1, 2, 3) ) 和 ( B(4, 6, 8) )，我们可以通过以下代码计算它们的欧几里得距离：
import numpy as np
# 定义点 A 和 B
A = np.array([1, 2, 3])
B = np.array([4, 6, 8])
# 计算欧几里得距离
distance = np.linalg.norm(A - B)
print("欧几里得距离:", distance)
二、曼哈顿距离
曼哈顿距离（Manhattan distance）是一种基于坐标轴上绝对差值的距离度量方式，它考虑了在坐标轴上移动的代价。
公式：
设 ( A(x_1, y_1, …, z_1) ) 和 ( B(x_2, y_2, …, z_2) ) 是两个 ( n ) 维向量，则它们之间的曼哈顿距离为：
[ d(A, B) = |x_2 - x_1| + |y_2 - y_1| + … + |z_2 - z_1| ]
应用举例：
假设我们有两个点 ( A(1, 2, 3) ) 和 ( B(4, 6, 8) )，我们可以通过以下代码计算它们的曼哈顿距离：
# 定义点 A 和 B
A = np.array([1, 2, 3])
B = np.array([4, 6, 8])
# 计算曼哈顿距离
distance = np.sum(np.abs(A - B))
print("曼哈顿距离:", distance)
三、余弦相似度
余弦相似度（Cosine similarity）是一种衡量两个向量夹角的余弦值的方法，它关注的是向量在方向上的相似性，而不是数值大小。
公式：
设 ( A ) 和 ( B ) 是两个 ( n ) 维向量，它们的余弦相似度可以表示为：
[ \text{cosine}(A, B) = \frac{A \cdot B}{|A| |B|} ]
其中，( A \cdot B ) 表示 ( A ) 和 ( B ) 的点积，( |A| ) 和 ( |B| ) 分别表示 ( A ) 和 ( B ) 的模长。
应用举例：
假设我们有两个向量 ( A(1, 2, 3) ) 和 ( B(4, 6, 8) )，我们可以通过以下代码计算它们的余弦相似度：
# 定义向量 A 和 B
A = np.array([1, 2, 3])
B = np.array([4, 6, 8])
# 计算点积
dot_product = np.dot(A, B)
# 计算模长
mod_A = np.linalg.norm(A)
mod_B = np.linalg.norm(B)
# 计算余弦相似度
cosine_similarity = dot_product / (mod_A * mod_B)
print("余弦相似度:", cosine_similarity)
四、杰卡德相似系数
杰卡德相似系数（Jaccard similarity coefficient）是一种衡量两个集合交集与并集比例的指标，适用于度量集合之间的相似程度。
公式：
设 ( A ) 和 ( B ) 是两个集合，它们的杰卡德相似系数可以表示为：
[ \text{Jaccard}(A, B) = \frac{|A \cap B|}{|A \cup B|} ]
其中，( A \cap B ) 表示 ( A ) 和 ( B ) 的交集，( A \cup B ) 表示 ( A ) 和 ( B ) 的并集。
应用举例：
假设我们有两个集合 ( A = {1, 2, 3, 4} ) 和 ( B = {3, 4, 5, 6} )，我们可以通过以下代码计算它们的杰卡德相似系数：
# 定义集合 A 和 B
A = set([1, 2, 3, 4])
B = set([3, 4, 5, 6])
# 计算交集和并集
intersection = A & B
union = A | B
# 计算杰卡德相似系数
jaccard_similarity = len(intersection) / len(union)
print("杰卡德相似系数:", jaccard_similarity)
通过以上四个相似模型的介绍和公式讲解，相信你已经对它们有了深入的了解。在实际应用中，根据不同场景选择合适的相似度度量方法，可以帮助我们更好地分析数据，解决实际问题。希望这篇文章对你有所帮助！