數學中有非常多不同種類的距離，經常使用於幾何、高等代數等數學研究。
多種多樣的距離在數學建模、計算機學習中有着不小的應用。
比方，A*搜索時的評估函數。
比方，在機器學習中，做分類時經常須要估算不相同本之間的類似性度量(Similarity Measurement)。這時通常採用的方法就是計算樣本間的距離。採用什么樣的方法計算距離是非常講究。甚至關系到分類的正確與否。
歐氏距離(Euclidean Distance)
歐氏距離是最易於理解的一種距離計算方法，源自歐幾里得幾何中兩點間的距離公式。
(1)二維平面上兩點
(2)兩個n維向量
也能夠用表示成向量運算的形式：
(4)Matlab計算歐氏距離
Matlab計算距離主要使用pdist函數。
若
樣例：計算向量
X = [0 0 ; 1 0 ; 0 2]
D = pdist(X,'euclidean') %大家能夠去查一查pdist的參數
結果：
D =
1.0000 2.0000 2.2361曼哈頓距離(Manhattan Distance)
從名字就能夠猜出這樣的距離的計算方法了。想象你在曼哈頓要從一個十字路口開車到另外一個十字路口，駕駛距離是兩點間的直線距離嗎？顯然不是，除非你能穿越大樓。
實際駕駛距離就是這個“曼哈頓距離”。而這也是曼哈頓距離名稱的來源， 曼哈頓距離也稱為城市街區距離(City Block distance)。
(1)二維平面兩點
(2)兩個n維向量
(3) Matlab計算曼哈頓距離
樣例：計算向量
X = [0 0 ; 1 0 ; 0 2 ; 2 2];
D = pdist(X,'cityblock')
結果：
D =
1 2 4 3 3 2
切比雪夫距離 ( Chebyshev Distance )
國際象棋玩過么？國王走一步能夠移動到相鄰的8個方格中的隨意一個。那么國王從格子(x1,y1)走到格子(x2,y2)最少須要多少步？自己走走試試。
你會發現最少步數總是max( | x2-x1 | , | y2-y1 | ) 步 。有一種類似的一種距離度量方法叫切比雪夫距離。
(1)二維平面兩點
(2)兩個n維向量
這個公式的還有一種等價形式是
看不出兩個公式是等價的？提示一下：試試用放縮法和夾逼法則來證明。
(3)Matlab計算切比雪夫距離
樣例：計算向量
X = [0 0 ; 1 0 ; 0 2]
D = pdist(X, 'chebychev')
結果：
D =
1 2 2閔可夫斯基距離(Minkowski Distance)
閔氏距離不是一種距離。而是一組距離的定義，上文說的幾個距離都是屬於閔可夫斯基距離的。
(1) 閔氏距離的定義
兩個n維變量
當中p是一個變參數。
當
當
當
依據變參數的不同。閔氏距離能夠表示一類的距離。
(2)閔氏距離的缺點
閔氏距離。包括曼哈頓距離、歐氏距離和切比雪夫距離都存在明顯的缺點。
舉個樣例：
二維樣本(身高,體重)，當中身高范圍是[150,190] ，體重范圍是[50,60] ，有三個樣本：a(180,50) ，b(190,50) ，c(180,60) 。
那么a與b之間的閔氏距離（不管是曼哈頓距離、歐氏距離或切比雪夫距離）等於a與c之間的閔氏距離，可是身高的10cm 真的等價於體重的10kg 么？因此用閔氏距離來衡量這些樣本間的類似度非常有問題。
簡單說來。閔氏距離的缺點主要有兩個：
(1)將各個分量的量綱(scale)，也就是“單位”當作相同的看待了。
(2)沒有考慮各個分量的分布（期望，方差等)可能是不同的。
(3)Matlab計算閔氏距離
樣例：計算向量
X = [0 0 ; 1 0 ; 0 2]
D = pdist(X,'minkowski',2)
結果：
D =
1.0000 2.0000 2.2361標准化歐氏距離 (Standardized Euclidean distance )
(1)標准歐氏距離的定義
標准化歐氏距離是針對簡單歐氏距離的缺點而作的一種改進方案。
標准歐氏距離的思路：既然數據各維分量的分布不一樣。那先將各個分量都“標准化”到均值、方差相等。
均值和方差標准化到多少呢？這里先復習點統計學知識吧。如果樣本集
標准化變量的數學期望為0。方差為1。因此樣本集的標准化過程(standardization)用公式描寫敘述就是：
經過簡單的推導就能夠得到兩個
如果將方差的倒數看成是一個權重，這個公式能夠看成是一種加權歐氏距離(Weighted Euclidean distance)。
(2)Matlab計算標准化歐氏距離
樣例：計算向量
X = [0 0 ; 1 0 ; 0 2]
D = pdist(X, 'seuclidean',[0.5,1])
結果：
D =
2.0000 2.0000 2.8284馬氏距離(Mahalanobis Distance)
（1）馬氏距離定義
有
而當中向量Xi與Xj之間的馬氏距離定義為：
若協方差矩陣是單位矩陣（各個樣本向量之間獨立同分布）,則公式就成了：
也就是歐氏距離了。
若協方差矩陣是對角矩陣，公式變成了標准化歐氏距離。
(2)馬氏距離的優缺點：量綱無關。排除變量之間的相關性的干擾。
(3) Matlab計算
X = [1 2; 1 3; 2 2; 3 1]
Y = pdist(X,'mahalanobis')
結果：
Y =
2.3452 2.0000 2.3452 1.2247 2.4495 1.2247
夾角余弦(Cosine)
幾何中夾角余弦可用來衡量兩個向量方向的差異，機器學習中借用這一概念來衡量樣本向量之間的差異。
(1)在二維空間中向量
(2) 兩個n維樣本點
類似的，對於兩個n維樣本點
即：
夾角余弦取值范圍為
當兩個向量的方向重合時夾角余弦取最大值1，當兩個向量的方向全然相反夾角余弦取最小值-1。
(3)Matlab計算夾角余弦
樣例：計算
X = [1 0 ; 1 1.732 ; -1 0]
D = 1- pdist(X, 'cosine') % Matlab中的pdist(X, 'cosine')得到的是1減夾角余弦的值
結果：
D =
0.5000 -1.0000 -0.5000
漢明距離(Hamming distance)
(1)漢明距離的定義
兩個等長字符串s1與s2之間的漢明距離定義為將當中一個變為另外一個所須要作的最小替換次數。比如字符串“1111”與“1001”之間的漢明距離為2。
應用：信息編碼（為了增強容錯性。應使得編碼間的最小漢明距離盡可能大）。
作為北郵的學生，這個算的就是比較多吧。
(2)Matlab計算漢明距離
Matlab中2個向量之間的漢明距離的定義為2個向量不同的分量所占的百分比。
樣例：計算向量
X = [0 0 0 ; 0 0 1 ; 0 1 0 ; 1 0 0 ; 0 1 1];
D = pdist(X,'hamming')
結果：
D =
0.3333 0.3333 0.3333 0.6667 0.6667 0.6667 0.3333 0.6667 0.3333 1.0000
傑卡德類似系數(Jaccard similarity coefficient)
(1) 傑卡德類似系數
兩個集合A和B的交集元素在A，B的並集中所占的比例，稱為兩個集合的傑卡德類似系數。用符號J(A,B)表示。
傑卡德類似系數是衡量兩個集合的類似度一種指標。
(2) 傑卡德距離
與傑卡德類似系數相反的概念是傑卡德距離(Jaccard distance)。
傑卡德距離可用例如以下公式表示：
傑卡德距離用兩個集合中不同元素占全部元素的比例來衡量兩個集合的區分度。
(3) 傑卡德類似系數與傑卡德距離的應用
可將傑卡德類似系數用在衡量樣本的類似度上。
樣本A與樣本B是兩個n維向量，並且全部維度的取值都是0或1。比如：A(0111)和B(1011)。
我們將樣本看成是一個集合，1表示集合包括該元素，0表示集合不包括該元素。
p ：樣本A與B都是1的維度的個數
q ：樣本A是1，樣本B是0的維度的個數
r ：樣本A是0，樣本B是1的維度的個數
s ：樣本A與B都是0的維度的個數
這里p+q+r可理解為A與B的並集的元素個數。而p是A與B的交集的元素個數。
而樣本A與B的傑卡德距離表示為：
(4)Matlab 計算傑卡德距離
Matlab的pdist函數定義的傑卡德距離跟我這里的定義有一些區別，Matlab中將其定義為不同的維度的個數占“非全零維度”的比例。
樣例：計算
X = [1 1 0; 1 -1 0; -1 1 0]
D = pdist( X , 'jaccard')
結果
D =
0.5000 0.5000 1.0000相關系數 ( Correlation coefficient )與相關距離(Correlation distance)
(1) 相關系數的定義
相關系數是衡量隨機變量X與Y相關程度的一種方法，相關系數的取值范圍是
當X與Y線性相關時，相關系數取值為1（正線性相關）或-1（負線性相關）。
(2)相關距離的定義
(3)Matlab計算
X = [1 2 3 4 ; 3 8 7 6]
C = corrcoef( X' ) %將返回相關系數矩陣
D = pdist( X , 'correlation')
結果：
C =
1.0000 0.4781
0.4781 1.0000
D =
0.5219
當中0.4781就是相關系數，0.5219是相關距離。