欧氏距离

← ToolBox / 欧氏距离
📖 查看「欧氏距离使用指南」

📏 Euclidean Distance Calculator

Compute the Euclidean distance and cosine similarity between two vectors. Used for feature similarity, nearest-neighbour checks and clustering analysis.

📐 计算公式 / 原理
欧氏距离 = √[Σ(aᵢ − bᵢ)²]；曼哈顿距离 = Σ|aᵢ − bᵢ|；余弦相似度 = (a·b)/(‖a‖·‖b‖)
三种常用向量度量并列给出：欧氏看绝对位置差，受量纲影响需先标准化；曼哈顿按轴累加，在高维稀疏场景更稳；余弦只看夹角、忽略模长，因此常用于 embedding 与文本相似度比较。

📐 计算公式与说明

欧氏距离 = √Σ(aᵢ−bᵢ)²
余弦相似度 = A·B / (|A||B|)

余弦相似度范围为 [−1, 1]。

📚 深度解析：欧氏距离

💡 常见使用场景

二维向量距离
x=(3,4), y=(0,0)：d=√(3²+4²)=5。‖x‖=5，若 y 为零向量则余弦分母为 0 无定义，比对前需剔除零向量。

❓ 常见问题（FAQ）

欧氏距离与余弦相似度怎么选？
关心量级/绝对差用欧氏；关心方向/语义用余弦。文本与图像嵌入几乎都用余弦，因为向量模长常受词频或亮度影响、不代表语义强度。
维度很高时距离失效怎么办？
先对特征做标准化(z-score)消除量纲，或降维(PCA/t-SNE)后再比对；语义场景直接用余弦距离更稳定。

Formula & Standard References

Item Formula / Note Source / Standard
Euclidean distance distance is the root of summed squared differences Vector metrics
Relation to cosine for unit vectors Euclidean distance maps monotonically to cosine Vector metrics
Distance concentration in high dimensions near and far distances converge Curse of dimensionality

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助… 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Rid… 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无… 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU 🤖 Sigmoid 输出S Sigmoid 输出

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助神 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Ridg 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无关 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU

如何使用欧氏距离

  1. 按页面提示逐项填写或选择所需参数。
  2. 点击「计算」或「生成」按钮运行。
  3. 在结果区查看输出，可复制结果或导出使用。

参数说明

适用场景

欧氏距离 d(x,y)=√(Σ(xᵢ−yᵢ)²)，衡量向量在空间中的绝对距离。

常见问题

欧氏距离与余弦相似度怎么选？
关心量级/绝对差用欧氏；关心方向/语义用余弦。文本与图像嵌入几乎都用余弦，因为向量模长常受词频或亮度影响、不代表语义强度。
维度很高时距离失效怎么办？
先对特征做标准化(z-score)消除量纲，或降维(PCA/t-SNE)后再比对；语义场景直接用余弦距离更稳定。