更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/p/11686958.html
距离公式汇总
假设(n)维空间中有两个点(x_i)和(x_j)，其中(x_i = (x_i^{(1)},x_i^{(2)},cdots,x_i^{(n)})^T)，(x_j = (x_j^{(1)},x_j^{(2)},cdots,x_j^{(n)})^T)。
一、欧式距离
[d(x_i,x_j) = sqrt{sum_{l=1}^n|x_i^{(l)}-x_j^{(l)}|^2}
]
假设二维坐标轴上有两个点((x_1,y_1))和((x_2,y_2))，则距离为(sqrt{(x_1-x_2)^2+(y_1-y_2)^2})
二、曼哈顿距离
[d(x_i,x_j) = sum_{l=1}^n|x_i^{(l)}-x_j^{(l)}|
]
三、闵可夫斯基距离（Minkowski distance）
[d(x_i,x_j) = sqrt[p]{sum_{l=1}^n(|x_i^{(l)}-x_j^{(l)}|)^p}
]