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。

🔗 相关工具

🤖 Dropout 保留期望Dropout 保留期望 🔍 L1 L2 正则化惩罚L1 L2 正则化惩罚 🤖 RAG 召回率RAG 召回率 🤖 ROC AUC 近似ROC AUC 近似 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU 🤖 Sigmoid 输出S Sigmoid 输出

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。