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
- 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
- 关注绝对误差的时候，选欧式距离
- 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
- 关注绝对误差的时候，选欧式距离
- 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
- 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