理解余弦距离与欧式距离

什么是余弦距离

余弦距离 = 1 - 余弦相似度

余弦相似度计算方法如下

 余弦距离的值域 [0, 2]

一般深度学习用余弦相似度作为预测值

什么是欧式距离

欧氏距离与余弦距离的选择

总体来说

1. 欧氏距离体现数值上的绝对差异，而余弦距离体现方向上的相对差异
   1. 关注绝对误差的时候，选欧式距离
      1. 例如分析用户活跃度，以登陆次数(单位：次)和平均观看时长(单：分钟)作为特征时，余弦距离会认为(1,10)、(10,100)两个用户距离很近；但显然这两个用户活跃度是有着极大差异的，此时我们更关注数值绝对差异，应当使用欧氏距离
2. 余弦相似度在高维的情况下依然保持“相同时为1，正交时为0，相反时为-1”的性质
3. 欧式距离的数值受维度的影响，范围不固定，并且含义也比较模糊