人工智能从入门到放弃完整教程目录：https://www.cnblogs.com/nickchen121/p/11686958.html
假设\(n\)维空间中有两个点\(x_i\)和\(x_j\)，其中\(x_i = (x_i^{(1)},x_i^{(2)},\cdots,x_i^{(n)})^T\)，\(x_j = (x_j^{(1)},x_j^{(2)},\cdots,x_j^{(n)})^T\)。
一、欧式距离
\[d(x_i,x_j) = \sqrt{\sum_{l=1}^n|x_i^{(l)}-x_j^{(l)}|^2}
\]
假设二维坐标轴上有两个点\((x_1,y_1)\)和\((x_2,y_2)\)，则距离为\(\sqrt{(x_1-x_2)^2+(y_1-y_2)^2}\)
二、曼哈顿距离
\[d(x_i,x_j) = \sum_{l=1}^n|x_i^{(l)}-x_j^{(l)}|
\]
三、闵可夫斯基距离（Minkowski distance）
\[d(x_i,x_j) = \sqrt[p]{\sum_{l=1}^n(|x_i^{(l)}-x_j^{(l)}|)^p}
\]