我创建了一个评分系统（“Thomas Scoring System”）来处理这个问题。如果您将“距离”视为相似度分数，那么该系统应该适合您。http://exploringpossibilityspace.blogspot.com/2014/02/thomas-scoring-system.html

简而言之，这里是 Thomas 评分系统 (TSS)：将每个指标及其值视为衡量或反对绩效指数中特定值的证据。这是一个推理过程，而不是像通常方法中的算术计算。TSS 的输出是对所有指数值的证据权重的估计。证据权重可以表示为概率分布，其中所有证据权重总和为 1。

以您的示例为例，每个范围都是一个条件： A) 10 <= x <= 22; 和 B) x < 10。如果 A 为真，那么它的权重有利于某些相似性（距离）分数。如果 B 为真，则它的权重有利于其他相似性（距离）得分，但与其他证据相比权重较小。

您提到了距离指标，但 Pearson 和 Tanimoto 没有。对于欧几里得距离，只需按某个因子缩放相关尺寸即可。例如，将维度的值加倍会使其对距离的贡献更大，从而使特征对距离度量更重要。

在相关说明中，您可能希望查看 Mahalanobis 距离，哪种解释了跨维度的协方差或“冗余”。

你的问题是可分离的。您可以 1）将向量转换为“原始”向量维度的加权组合，然后2）使用相关性或欧几里得距离等计算相似性或距离。

问题 1：权重通常是线性的，只是一个矩阵乘以您的特征向量，可以随心所欲地旋转和缩放它。矩阵乘法甚至可以减少向量维度（如果您愿意，可以一直降低到标量分数）。降维和最优特征向量变换的最先进技术是 SVD/PCA/LSI/LDA/NMF。仅供参考，其中一些方法产生的“特征向量”只是转换矩阵的列或行，特征值是每个新向量的相对重要性/权重。如果您正在进行降维并且您的特征存在冗余，则某些特征值将为零。

问题 2：一些基于向量范数的常见距离度量是

• L_1（曼哈顿）
• L_2（欧几里得）
• L_inf（最高）
• 余弦（向量积）
• 分数（p-范数）

高维问题的最先进的距离度量是分数距离或 p 范数，类似于欧几里得距离/范数，但指数设置为 0 和 1 之间的值，而不是 2。