PricingLoginStart free
Vector Databases: Pinecone, Weaviate & pgvector · Ders

pgvector'da Uygun Uzaklık Ölçütlerini Seçme

pgvector'daki kosinüs, L2 ve iç çarpım uzaklık işleçlerini ve gömmeleriniz için doğru olanı nasıl seçeceğinizi anlayın.

4. ders / 413 adım

pgvector'da Uygun Uzaklık Ölçütlerini Seçme, CoddyKit'te ücretsiz bir Vector Databases: Pinecone, Weaviate & pgvector dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Vector Databases: Pinecone, Weaviate & pgvector öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Vector Databases: Pinecone, Weaviate & pgvector kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

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.

İnteraktif derste cevapla

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.

Başlamak ücretsiz

Yapay zeka eğitmeniyle Vector Databases: Pinecone, Weaviate & pgvector öğren — ücretsiz

Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.

Kurslar
12
Dersler
48
Ücretsiz öğrenmeye başlaTüm kursu görüntüle

Sıkça Sorulan Sorular

“pgvector'da Uygun Uzaklık Ölçütlerini Seçme” dersi ücretsiz mi?

Evet — “pgvector'da Uygun Uzaklık Ölçütlerini Seçme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Vector Databases: Pinecone, Weaviate & pgvector kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Vector Databases: Pinecone, Weaviate & pgvector kursu toplamda 4 dersten oluşur.

“pgvector'da Uygun Uzaklık Ölçütlerini Seçme” dersinde ne öğreneceğim?

pgvector'daki kosinüs, L2 ve iç çarpım uzaklık işleçlerini ve gömmeleriniz için doğru olanı nasıl seçeceğinizi anlayın. Vector Databases: Pinecone, Weaviate & pgvector ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Vector Databases: Pinecone, Weaviate & pgvector öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Vector Databases: Pinecone, Weaviate & pgvector, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.

“pgvector'da Uygun Uzaklık Ölçütlerini Seçme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Vector Databases: Pinecone, Weaviate & pgvector dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Vector Databases: Pinecone, Weaviate & pgvector dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. pgvector Uzantısını Kurma
  2. Vektörleri PostgreSQL'de Depolama
  3. Benzerlik Sorguları Gerçekleştirme
  4. pgvector'da Uygun Uzaklık Ölçütlerini Seçme
← Vector Databases: Pinecone, Weaviate & pgvector Sayfasına Dön