相似性度量
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
1. 基于范数的度量
1.1 L1范数——Manhattan Distance(曼哈顿距离)
1.2 L2范数——Euclidean Distance(欧氏距离)
1.3 L∞范数——Chebyshev Distance(切比雪夫距离)
1.4 Lp范数——Minkowski Distance(闵可夫斯基距离)
1.5 L2,1范数
2. 基于协方差的度量
2.1 Mahalanobis Distance(马氏距离)
2.2 Correlation Distance(相关距离)
3. 基于幅度的度量
3.1 Cosine Similarity(余弦距离)
3.2 Tonimoto系数
4. Jaccard Distance
5. 基于概率分布的度量
5.1 互信息
5.2 Kullback–Leibler Divergence (KL散度)
5.3 Jensen–Shannon divergence(JS散度)
5.4 Wasserstein distance(推土机距离)
6. 基于核函数的度量
6.1 高斯核
6.2 q次多项式核
6.3 Maximum mean discrepancy(最大均值差异)
7. Hamming Distance(汉明距离)
8. 参考
[1] 范数：向量范数与矩阵范数
[2] 最大均值差异：MATLAB最大均值差异(Maximum Mean Discrepancy)
[3] 马氏距离：MATLAB求马氏距离(Mahalanobis distance)
[4] 相关系数：MATLAB实例：求相关系数、绘制热图并找到强相关对
[5] 互信息：MATLAB聚类有效性评价指标（外部）
[6] Jaccard Distance：MATLAB聚类有效性评价指标（外部 成对度量）
[7] KL散度与JS散度：MATLAB小函数：计算KL散度与JS散度
[8] 余弦相似度：Python小练习：向量之间的距离度量
