Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Le funzioni di distanza sono formule matematiche usate per misurare la somiglianza o la differenza tra vettori. Esempi comuni includono la distanza di Manhattan, la distanza euclidea, la similarità del coseno e il prodotto punto. Queste misurazioni sono fondamentali per determinare quanto sono strettamente correlate due parti di dati.
Per altre informazioni sui vettori, vedere Ricerca vettoriale.
Distanza di Manhattan
La distanza di Manhattan misura la distanza tra due punti aggiungendo le differenze assolute tra le coordinate. Immagina di camminare in una città a griglia, come i molti quartieri di Manhattan; è il numero totale di isolati che percorri a nord-sud e a est-ovest.
Distanza euclidea
La distanza euclidea misura la distanza retta tra due punti. Si chiama dopo l'antico matematico Euclideo, che viene spesso definito "padre della geometria".
Similarità del coseno
La somiglianza del coseno misura il coseno dell'angolo tra due vettori proiettati in uno spazio multidimensionale. Due documenti potrebbero essere distanti dalla distanza euclidea a causa delle dimensioni del documento, ma potrebbero comunque avere un angolo più piccolo tra di essi e quindi una somiglianza del coseno elevata.
Prodotto punto
Il prodotto punto è il risultato di due vettori moltiplicati per restituire un singolo numero. Combina le dimensioni dei due vettori e il coseno dell'angolo tra di essi, mostrando quanto un vettore va nella direzione di un altro.
Contenuto correlato
- Funzione di sistema VectorDistance in Azure Cosmos DB NoSQL
- Che cos'è un database vettoriale?
- Generazione aumentata di recupero (RAG)
- Ricerca vettoriale in Azure Cosmos DB
- Ricerca vettoriale in Azure Cosmos DB per NoSQL
- Archivio vettoriale in Azure Cosmos DB per MongoDB vCore
- Token del modello linguistico di grandi dimensioni
- Incorporamenti vettoriali in Azure Cosmos DB
- kNN e algoritmi di ricerca vettoriale ANN