Notes
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Les fonctions de distance sont des formules mathématiques utilisées pour mesurer la similarité ou la dissimilarité entre les vecteurs. Les exemples courants incluent la distance de Manhattan, la distance euclidienne, la similarité cosinus et le produit scalaire. Ces mesures sont essentielles pour déterminer la proximité de deux éléments de données.
Pour en savoir plus sur les vecteurs, consultez la recherche vectorielle.
Distance de Manhattan
La distance de Manhattan mesure la distance entre deux points en ajoutant les différences absolues entre leurs coordonnées. Imaginez marcher dans une ville semblable à un quadrillage, comme les nombreux quartiers de Manhattan ; c’est le nombre total de blocs que vous parcourez nord-sud et est-ouest.
Distance euclidienne
La distance euclide mesure la distance droite entre deux points. Il est nommé après l’ancien mathématique Euclid, qui est souvent appelé « père de géométrie ».
Similarité cosinus
La similarité cosinus mesure le cosinus de l’angle entre deux vecteurs projetés dans un espace multidimensionnel. Deux documents peuvent être éloignés par la distance euclide en raison de tailles de document, mais ils pourraient encore avoir un angle plus petit entre eux et donc une similarité cosinus élevée.
Produit scalaire
Le produit par points est le résultat de deux vecteurs multipliés pour retourner un nombre unique. Il combine les magnitudes des deux vecteurs et le cosinus de l’angle qu’ils forment, montrant la similarité de direction entre les deux vecteurs.
Contenu connexe
- Fonction système VectorDistance dans Azure Cosmos DB NoSQL
- Qu’est-ce qu’une base de données vectorielle ?
- RAG (génération augmentée de récupération)
- Recherche vectorielle dans Azure Cosmos DB
- Recherche vectorielle dans Azure Cosmos DB pour NoSQL
- Magasin de vecteurs dans Azure Cosmos DB pour MongoDB vCore
- Jetons de modèles de langage de grande taille
- Incorporations de vecteurs dans Azure Cosmos DB
- Algorithmes de recherche vectorielle kNN et ANN