欧几里德算法和皮尔逊算法（向量理解）

昨天晚上撸了一整晚的验证码，今天有点累。最近工作上一直都出现机器学习的影子，想把这方面看一看。

仅仅就是看看，毕竟不是程序员，能够懂原理，能够用别人开发好的轮子就行了 ，我发誓。 

欧几里德算法和皮尔逊算法作为集体智慧第一章入门算法，给了很少的篇幅来讲解，写这篇到不是因为他有多难，仅仅是因为，书中的角度让我很不爽

欧几里德

欧几里德的使用场景是用户对产品进行评分，通过对这些数据的分析，获得品味相同的用户。

用向量的角度来看

用户对产品评分看作空间的点a（a1,a2,a3,.....）     其中a是产品，a1,a2,a3,等是评分

产品评分看作空间的点b（b1,b2,b3,.....）            其中b是产品，b1,b2,b3,等是评分

当两个用户的品味越接近，对产品的评分也应该越接近，则空间两点之间的距离应该越近，所以，这个问题就转换为空间两点之间的距离问题。

但是，人们很快发现一个问题，评分这件事，们个人的标准不一样，比如说，松岛枫是两个人最喜欢的女优，但是用户A评分是一个比较闷骚的人，不愿意表达出自己的真实情感，分数总是压得很低。用户B是一个享受人生的人，真是的面对自己，打分相对高，面对这种问题，欧几里德完全失去作用。

皮尔逊算法

皮尔逊算法就是解决上面的问题，不是打分标准不一样吗，没关系，只要打分趋势一样就行了。

假设用户A对物品a,b,c,d...打分，建立向量A（a1,b1,c1,d1...）

假设用户B对物品a,b,c,d...打分，建立向量B（a2,b2,c2,d2...）

只需要算出a和b之间的夹角，如果是0，说明趋势相同

下面是高中的数学

空间两点之间的距离

向量之间的距离

但是我忘了啊 ，用的时候在百度吧