欧式距离
定义：
欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离。
意义：
欧氏距离越小，两个向量的相似度越大；欧氏距离越小，两个向量的相似度越小。
缺点：
对异常数据敏感。
欧式距离将向量各个维度之间的差异等同对待。（实际情况中，样本的不同属性重要程度往往不同。）
优点：
计算速度快。
曼哈顿距离
定义：
欧氏距离有一个局限是度量两点之间的直线距离。但实际上，在现实世界中，我们从原点到目标点，往往直走不能到达的。曼哈顿距离加入了一些这方面的考虑。
两个n维向量x(x1;x2;…;xn)与 y(y1;y2;…;yn)间的曼哈顿距离：
意义：
曼哈顿距离也称为城市街区距离。可以看出在曼哈顿距离中，考虑了更多的实际 因素。总之，在曼哈顿距离的世界中，规则是我们只能沿着线画出的格子行进。
缺点：
对异常值敏感。
曼哈顿距离将向量各个维度之间的差异等同对待。（实际情况中，样本的不同属性重要程度往往不同。）
优点：
计算速度快。
欧氏距离和曼哈顿距离的区别在于：它们对向量之间差异的计算过程中，各个维度差异的权值不同。
比如两个向量A(1,2),B(4,8)，它们的：
欧氏距离 L_o = 6.7;
曼哈顿距离 L_m = 9;
向量各个属性之间的差距越大，则曼哈顿距离越接近欧式距离。
更多学习资料，请关注下面的公众号：不定期分享
深度学习网络总结
机器学习算法及其应用场景
算法与数据结构（leetcode 题解）
cuda编程与并行优化
其他读书分享如：《战国策》，《智囊全集》
宇宙常识科普与星座辨别等等.
