Memilih Metrik Jarak di pgvector
Pahami operator jarak kosinus, L2, dan hasil kali dalam di pgvector serta cara memilih yang tepat untuk embedding Anda.
Memilih Metrik Jarak di pgvector adalah pelajaran Vector Databases: Pinecone, Weaviate & pgvector gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Vector Databases: Pinecone, Weaviate & pgvector, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Vector Databases: Pinecone, Weaviate & pgvector mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Why Distance Matters
Similarity search ranks vectors by distance. The metric you choose must match how your embedding model was trained, or results will be subtly wrong.
The Three Operators
pgvector provides three distance operators:
<->Euclidean (L2) distance<=>Cosine distance<#>Negative inner product
SELECT '[1,2,3]'::vector <=> '[1,2,4]'::vector AS cosine_distance;Cosine Distance
Cosine measures angle, ignoring magnitude. It is the default for most text embedding models like OpenAI and Sentence Transformers.
SELECT id, embedding <=> '[0.1,0.2,0.3]'::vector AS dist
FROM items
ORDER BY dist
LIMIT 5;Euclidean (L2) Distance
L2 measures straight-line distance and is sensitive to magnitude. Use it when vector length carries meaning, such as raw feature vectors.
SELECT id, embedding <-> '[0.1,0.2,0.3]'::vector AS dist
FROM items
ORDER BY dist
LIMIT 5;Inner Product
The inner product operator <#> returns the negative dot product (so smaller is more similar). It is fastest and ideal for normalized vectors.
SELECT id, (embedding <#> '[0.1,0.2,0.3]'::vector) * -1 AS similarity
FROM items
ORDER BY embedding <#> '[0.1,0.2,0.3]'::vector
LIMIT 5;Match Metric to Model
Always check your embedding model's documentation:
- OpenAI text-embedding-3: cosine
- Normalized vectors: inner product (equivalent to cosine, faster)
- Geometric/spatial features: L2
Normalization Trick
If your vectors are unit-normalized, cosine and inner product give the same ranking. Inner product is cheaper, so normalize once at insert time.
-- Normalize before insert in app code, then use <#>
UPDATE items SET embedding = l2_normalize(embedding);Metric in Indexes
Indexes are metric-specific. You must declare the operator class so the index matches your query operator.
CREATE INDEX ON items
USING hnsw (embedding vector_cosine_ops);Mismatched Operators
If your index uses vector_l2_ops but you query with <=>, Postgres ignores the index and does a slow sequential scan. Keep them aligned.
Verifying Index Usage
Use EXPLAIN to confirm the planner uses your vector index for the chosen metric.
EXPLAIN ANALYZE
SELECT id FROM items
ORDER BY embedding <=> '[0.1,0.2,0.3]'::vector
LIMIT 5;Summary of Choices
Rule of thumb:
- Text/semantic search: cosine
- Pre-normalized vectors: inner product
- Raw numeric features: L2
Quick Check
Pick the right metric.
Recap
You learned pgvector's three distance operators, when to use cosine, L2, and inner product, and why your index operator class must match your query operator for fast searches.
Belajar Vector Databases: Pinecone, Weaviate & pgvector dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Memilih Metrik Jarak di pgvector” gratis?
Ya — teks lengkap “Memilih Metrik Jarak di pgvector” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Vector Databases: Pinecone, Weaviate & pgvector, upgrade ke CoddyKit PRO. Kursus Vector Databases: Pinecone, Weaviate & pgvector mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Memilih Metrik Jarak di pgvector”?
Pahami operator jarak kosinus, L2, dan hasil kali dalam di pgvector serta cara memilih yang tepat untuk embedding Anda. Kamu berlatih Vector Databases: Pinecone, Weaviate & pgvector dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Vector Databases: Pinecone, Weaviate & pgvector?
Tidak diperlukan pengalaman sebelumnya. Vector Databases: Pinecone, Weaviate & pgvector di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Memilih Metrik Jarak di pgvector” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Vector Databases: Pinecone, Weaviate & pgvector ini?
Ya. Setiap pelajaran Vector Databases: Pinecone, Weaviate & pgvector menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Menyiapkan Ekstensi pgvector
- Menyimpan Vektor di PostgreSQL
- Menjalankan Kueri Kemiripan
- Memilih Metrik Jarak di pgvector