このセクションでは、TiDB Cloud Lake のベクトル関数に関するリファレンス情報を提供します。これらの関数により、距離計算、類似度測定、ベクトル分析などの包括的なベクトル演算が可能になり、機械学習アプリケーション、ベクトル検索、AI を活用した分析に利用できます。
| 関数 | 説明 | 例 |
|---|---|---|
| COSINE_DISTANCE | ベクトル間のコサイン距離を計算します（範囲: 0-1） | COSINE_DISTANCE([1,2,3]::VECTOR(3), [4,5,6]::VECTOR(3)) |
| L1_DISTANCE | ベクトル間のマンハッタン距離（L1）を計算します | L1_DISTANCE([1,2,3]::VECTOR(3), [4,5,6]::VECTOR(3)) |
| L2_DISTANCE | ユークリッド距離（直線距離）を計算します | L2_DISTANCE([1,2,3]::VECTOR(3), [4,5,6]::VECTOR(3)) |
| INNER_PRODUCT | 2 つのベクトルの内積（ドット積）を計算します | INNER_PRODUCT([1,2,3]::VECTOR(3), [4,5,6]::VECTOR(3)) |
| 関数 | 説明 | 例 |
|---|---|---|
| VECTOR_NORM | ベクトルの L2 ノルム（大きさ）を計算します | VECTOR_NORM([1,2,3]::VECTOR(3)) |
| VECTOR_DIMS | ベクトルの次元数を返します | VECTOR_DIMS([1,2,3]::VECTOR(3)) |
| 関数 | 説明 | 範囲 | 最適な用途 | 使用例 |
|---|---|---|---|---|
| COSINE_DISTANCE | ベクトル間のコサイン距離 | [0, 1] | 大きさよりも方向が重要な場合 | • ドキュメント類似度 • セマンティック検索 • レコメンデーションシステム • テキスト分析 |
| L1_DISTANCE | ベクトル間のマンハッタン距離（L1） | [0, ∞) | 外れ値に対して頑健 | • 特徴量の比較 • 外れ値検出 • グリッドベースの経路探索 • クラスタリングアルゴリズム |
| L2_DISTANCE | ユークリッド距離（直線距離） | [0, ∞) | 大きさと絶対差が重要な場合 | • 画像類似度 • 地理データ • 異常検知 • 特徴量ベースのクラスタリング |
| INNER_PRODUCT | 2 つのベクトルのドット積 | (-∞, ∞) | 大きさと方向の両方が重要な場合 | • ニューラルネットワーク • 機械学習 • 物理計算 • ベクトル射影 |
| 関数 | 説明 | 範囲 | 最適な用途 | 使用例 |
|---|---|---|---|---|
| VECTOR_NORM | ベクトルの L2 ノルム（大きさ） | [0, ∞) | ベクトルの正規化と大きさの計算 | • ベクトルの正規化 • 特徴量スケーリング • 大きさの計算 • 物理アプリケーション |
| VECTOR_DIMS | ベクトルの次元数 | [1, 4096] | ベクトルの検証と処理 | • データ検証 • 動的処理 • デバッグ • 互換性チェック |