1. 欧式距离应用颜色识别，插花什么颜色最好看？
这个问题比较广，
1.插什么颜色的花，跟每个人的欣赏角度眼光不一样，还有分什么的场合适合插什么颜色的花，
2.现在花的颜色种类也非常多，按人数抽查的结果，红，绿，紫，金，这几种颜色爱好占多数，
3.喜欢花的颜色也跟居人的年龄也有很大关系，比如人穿衣服一样，少年，中年，老年，穿衣服挑选衣服颜色，少年可能比较喜欢鲜艳的颜色，中年可能喜欢穿衣服跟稳重成熟的颜色，老年喜欢穿舒服，端庄，衣服，所以喜欢花的颜色跟人的年龄关系很相似，
2. 墙面怎么确定logo大小？
对于墙体上logo的大小标准,一般考虑以下几个方面:1. 墙体的高度:墙体越高,logo大小应相应放大,以保证视觉效果。一般对于5米左右的墙体,logo大小在0.5-1米为宜。2. 查看距离:logo需要考虑被观看的最远距离,以确保识别度。如果是路边墙体,则视距更长,logo尺寸需相应调大。3. 墙体材质:光滑材质的墙面logo可以较小,粗糙材质则需要放大logo尺寸。4. 周边环境:周围建筑环境复杂,则logo尺寸应相应增大,保证醒目度。
5. 具体尺寸:一般推荐墙高5米时,logo高度控制在0.8-1.2米,墙高10米时,logo高度在1.5-2米范围居多。6. 颜色对比:logo颜色要与墙体底色形成对比,增强可识别性。7. 建筑风格:类似欧式建筑可以适当减小尺寸,中式建筑可以稍大一些。综合考虑各个因素后,按照建筑与环境的协调原则来确定具体的logo大小。既要确保识别性,又要配合建筑风格
3. 侧顶双吸油烟机安装的高度？
安装侧吸式油烟机的注意事项： 尽量选购超薄型侧吸式油烟机，避免过多占用烹调空间； 注意侧吸式油烟机占用墙面较大，需要较大的安装空间； 尽量安装在公共烟道附近； 必须安装止逆阀，防止烟道中的油烟反灌入户； 底端高度应在橱柜台面上方30厘米左右； 注意为侧吸式油烟机提供独立供电、可靠接地的电源； 注意电源出口部位不要与油烟机的安装位置相冲突； 安装要稳固、否则在油烟机工作时较易引起共振现象； 安装完毕后一定要开机试运行； 在试运行中发现共振、噪音现象比较明显的情况下需要调节安装位置。
4. 鞠婧祎最喜欢什么颜色？
蓝色！从家里养猫来看，鞠婧祎是一个非常有爱心的女孩。养宠物可能也是她的爱好之一吧，毕竟一个生活是非常无聊的，有了宠物的陪伴自己也就不会那么孤单了。
鞠婧祎客厅的装修采用的是简单欧式风格，墙壁大面积使用简洁的白色，经久耐用且又百搭。靠墙的位置上放了一张黄色的单人沙发，在灯光的照射下，有一种淡淡的复古感。
在白墙的另一边安装了一个圣诞树，上面还绕了几圈小灯泡。打开灯后圣诞树变得亮晶晶的非常好看。鞠婧祎在大部分人的心中是一位非常高冷的女神，没想到会把客厅装扮的这么梦幻有少女心，这可能才是她真正的性格吧。
鞠婧祎是一个多才多艺的女生，她没事的时候就会在家里弹琵琶，这也是她的一大爱好。鞠婧祎的琵琶弹奏的非常好听，被很多为称为琵琶能手，琵琶一上手，顿时就停不下来了。看到她弹奏琵琶的样子，大家会有一种穿越到古代的感觉，这样优秀的鞠婧祎难怪会这么红，真是太喜欢她了。
5. 求两直线间距离的公式是什么？
两平行线之间的距离公式：d=|C1-C2|/√(A²+B²)。两平行线方程分别是：Ax+By+C1=0和Ax+By+C2=0。
两平行线之间的距离公式
设两条直线方程为
Ax+By+C1=0
Ax+By+C2=0
则其距离公式为|C1-C2|/√(A²+B²)
推导：两平行直线间的距离就是从一条直线上任一点到另一条直线的距离，设点P(a，b)在直线Ax+By+C1=0上，则满足Aa+Bb+C1=0，即Aa+Bb=-C1，由点到直线距离公式，P到直线Ax+By+C2=0距离为
d=|Aa+Bb+C2|/√(A²+B²)
=|-C1+C2|/√(A²+B²)
=|C1-C2|/√(A²+B²)
在机器学习、人工智能领域常用的距离计算公式。
曼哈顿距离
曼哈顿距离又称“计程车距离”，由十九世纪的赫尔曼·闵可夫斯基所创。点P1(x1,y1)P1(x1,y1)和P2(x2,y2)P2(x2,y2)的距离如下： distance(P1,P2)=|x2−x1|+|y2−y1|distance(P1,P2)=|x2−x1|+|y2−y1|
欧几里得距离
欧几里得距离也叫做（欧氏距离）是欧几里得空间中两点的“普遍”（直线距离）。点P1(x1,x2,x3,,,xn)P1(x1,x2,x3,,,xn)和P2(y1,y2,y3,,,yn)P2(y1,y2,y3,,,yn)的距离如下： distance=(x1−y1)2+(x2−y2)2+,,,+(xn−yn)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√=∑n1(xi−yi)2−−−−−−−−−−−√distance=(x1−y1)2+(x2−y2)2+,,,+(xn−yn)2=∑1n(xi−yi)2
切比雪夫距离
切比雪夫距离（Chebyshev distance），二个点之间的距离定义为其各坐标数值差的最大值。点P1(x1,x2,x3,,,xn)P1(x1,x2,x3,,,xn)和P2(y1,y2,y3,,,yn)P2(y1,y2,y3,,,yn)的距离如下： distance(P1,P2)=max(|x1−y1|,|x2−y2|,,,|xn−yn|)distance(P1,P2)=max(|x1−y1|,|x2−y2|,,,|xn−yn|)
闵尔科夫斯基距离
闵尔科夫斯基距离（闵式距离），以俄国科学家闵尔科夫斯基命名，是欧氏距离的推广，是一组距离的的定义。点P1(x1,x2,x3,,,xn)P1(x1,x2,x3,,,xn)和P2(y1,y2,y3,,,yn)P2(y1,y2,y3,,,yn)的距离如下： distance(P1,P2)=∑n1(xi−yi)p−−−−−−−−−−−√pdistance(P1,P2)=∑1n(xi−yi)pp
当p=1时，就是曼哈顿距离
当p=2时，就是欧式距离
当p->∞时，就是切比雪夫距离
马氏距离
由印度科学家马哈拉诺比斯提出，表示数据的协方差距离。是一种有效的计算两个位置样本集相似度的方法。与欧氏距离不同的是他考虑到各种特性之间的联系并且是尺度无关的，即独立于测量尺度。如果协方差矩阵为单位矩阵，马氏距离就简化为欧式距离，如果协方差矩阵为对角阵，其也可称为正规化的马氏距离。
汉明距离
在信息论中，两个等长字符串的汉明距离是两个字符串相对应位置上的不同字符串的个数。
x=x1,x2,,,xny=y1,y2,,,yndistance(x,y)=∑1nI(xi,yi)I(xi,yi)={1,0,ifxi≠yiifxi=yix=x1,x2,,,xny=y1,y2,,,yndistance(x,y)=∑1nI(xi,yi)I(xi,yi)={1,ifxi≠yi0,ifxi=yi
余弦相似度
余弦相似度是通过测量两个向量夹角的度数来度量他们之间的相似度。0度的相似度是1，90度的相似度是0，180的相似度是-1。结果的测量只与向量的指向方向有关，与向量的长度无关。余弦相似度通常用于正空间，因此给出的值为0到1之间。对于A和B的距离是：
cos(θ)=A⋅B||A||⋅||B||=∑n1(Ai×Bi)∑ni(Ai)2−−−−−−−√×∑ni(Bi)2−−−−−−−√cos(θ)=A⋅B||A||⋅||B||=∑1n(Ai×Bi)∑in(Ai)2×∑in(Bi)2
杰卡德距离
杰卡德距离是杰卡德相似系数的补集。杰卡德相似系数用于度量两个集合之间的相似性，定义为两个集合交集集合元素的个数比上并集集合元素的个数。
J(A,B)=A∩BA∪BdJ=1−J(A,B)=A∩B−A∪BA∪B{J(A,B)=10≤J(A,B)<1 if A=∅andB=∅ if elseJ(A,B)=A∩BA∪BdJ=1−J(A,B)=A∩B−A∪BA∪B{J(A,B)=1 if A=∅andB=∅0≤J(A,B)<1 if else
皮尔森相关系数
皮尔森相关系数是一种线性相关系数。是两个变量线性相关程度的统计量，皮尔森相关系数的绝对值越大则相关性越强。
r=∑ni((Xi−x¯)(Yi−y¯))∑n1(xi−x¯)2−−−−−−−−−−√∑ni(yi−y¯)2−−−−−−−−−−√r=∑in((Xi−x¯)(Yi−y¯))∑1n(xi−x¯)2∑in(yi−y¯)2
编辑距离
编辑距离（Edit Distance）:又称Levenshtein距离，由俄罗斯科学家Vladimir Levenshtein在1965年提出。是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。
K-L散度
K-L散度（Kullback-Leibler Divergence）：即相对熵；是衡量两个分布(P、Q)之间的距离；越小越相似。
D(P||Q)=∑inP(i)logP(i)Q(i)
6. 曼哈顿公式？
曼哈顿计算公式
在二维和三维空间中的欧式距离的就是两点之间的距离，二维的公式是
d = sqrt((x1-x2)^+(y1-y2)^)
三维的公式是
d=sqrt(x1-x2)^+(y1-y2)^+z1-z2)^)
推广到n维空间，欧式距离的公式是
d=sqrt( ∑(xi1-xi2)^ ) 这里i=1,2..n
xi1表示第一个点的第i维坐标,xi2表示第二个点的第i维坐标
7. 两点直接的距离用matlab表示？
在MATLAB中，可以使用内置的函数pdist2来计算两点之间的欧几里德距离。该函数需要两个输入参数，分别是包含两个点坐标的矩阵，其中每行代表一个点，每列代表一个维度。函数返回的是一个矩阵，其(i,j)元素表示第i个点与第j个点之间的距离。例如，要计算点A(1,2)和点B(3,4)之间的距离，可以使用以下语句：dist = pdist2([1 2; 3 4], [3 4; 5 6]);其中，第一个参数是包含点A和点B坐标的矩阵[1 2; 3 4]，第二个参数是同样大小的矩阵[3 4; 5 6]，函数返回的矩阵dist的第一行第二列元素即为点A和点B之间的欧几里德距离。
