知识卡片
余弦相似度关注方向
欧氏距离比较坐标的绝对差,余弦相似度比较非零向量的方向。教学示例中,(1,2) 与 (2,4) 的方向相同,欧氏距离仍大于零。根据分析任务决定幅度差是否重要,使用余弦距离时需要与之匹配的中心更新方式。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- K-means聚类算法 6.3.1 · 查看原书依据
似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。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,而非距离或长度上的差异。如图6-7所示,表示余弦相似度的余弦是哪个角的余弦,A和B是三维空间中
参考来源
- 位置:《AI制胜:机器学习极简入门》第6章 K-means聚类算法 §6.3.1(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter6.xhtml#isbn9787302555513_6_1_3_1)
- 结论依据:原文借助三维角度示意解释大小与方向的区别。
- 原始内容:似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。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,而非距离或长度上的差异。如图6-7所示,表示余弦相似度的余弦是哪个角的余弦,A和B是三维空间中