거리 함수는 벡터 간의 유사성 또는 유사도를 측정하는 데 사용되는 수학적 수식입니다. 일반적인 예로는 맨해튼 거리, 유클리드 거리, 코사인 유사성, 내적 등이 있습니다. 이러한 측정은 두 데이터가 얼마나 밀접하게 관련되어 있는지 확인하는 데 중요합니다.
벡터에 대한 자세한 내용은 벡터 검색을 참조하세요.
맨해튼 거리
맨해튼 거리는 좌표 사이의 절대 차이를 추가하여 두 점 사이의 거리를 측정합니다. 맨해튼의 많은 지역과 같은 그리드 같은 도시에서 걷는 것을 상상해보십시오. 그것은 당신이 남북과 동서 걷는 블록의 총 수입니다.
유클리드 거리
유클리드 거리는 두 점 사이의 직선 거리를 측정합니다. 그것은 종종 "기하학의 아버지"로 불리는 고대 수학자 유클리드의 이름을 따서 명명되었습니다.
코사인 유사성
코사인 유사성은 다차원 공간에 프로젝션된 두 벡터 사이의 각도 코사인을 측정합니다. 두 문서는 문서 크기 때문에 유클리드 거리만큼 멀리 떨어져 있을 수 있지만, 두 문서 사이에는 더 작은 각도를 가질 수 있으므로 코사인 유사성이 높을 수 있습니다.
내적
점 제품은 단일 숫자를 반환하기 위해 곱한 두 벡터의 결과입니다. 두 벡터의 크기와 그 사이의 각도 코사인을 결합하여 한 벡터가 다른 방향으로 얼마나 많은 벡터를 이동하는지 보여 줍니다.