knn算法中的距离度量欧几里得距离和曼哈顿距离

在KNN（K-Nearest Neighbors）算法中，距离度量是一种用于衡量样本之间相似性的方法。常用的距离度量包括欧几里得距离和曼哈顿距离。

1. 欧几里得距离（Euclidean Distance）：
欧几里得距离是最常见的距离度量方法，它基于两点之间的直线距离。对于二维空间中的两个点P(x1, y1)和Q(x2, y2)，欧几里得距离可以通过以下公式计算：
d(P, Q) = √((x2 - x1)^2 + (y2 - y1)^2)
在多维空间中，欧几里得距离的计算方式类似，只需将上述公式扩展到多个维度。

2. 曼哈顿距离（Manhattan Distance）：
曼哈顿距离是另一种常用的距离度量方法，它基于两点之间的城市街区距离（也称为曼哈顿街区距离）。对于二维空间中的两个点P(x1, y1)和Q(x2, y2)，曼哈顿距离可以通过以下公式计算：
d(P, Q) = |x2 - x1| + |y2 - y1|
在多维空间中，曼哈顿距离的计算方式类似，只需将上述公式扩展到多个维度。