向量的1范数,2范数,无穷范数,KNN中的Lp距离
L-0范数:用来统计向量中非零元素的个数。
L-1范数:向量中所有元素的绝对值之和。
L-2范数:欧式距离。
L-∞范数:计算向量中的最大值。
你也可以这样理解
1-范数:║x║1=│x1│+│x2│+…+│xn│║x║_1=│x^1│+│x^2│+…+│x^n│║x║1=│x1│+│x2│+…+│xn│
2-范数:
║x║2=(│x1│2+│x2│2+…+│xn│2)2║x║_2=\sqrt[2]{(│x^1│^2+│x^2│^2+…+│x^n│^2)}║x║2=2(│x1│2+│x2│2+…+│xn│2)
∞-范数:
║x║∞=max(│x1│,│x2│,…,│xn│)║x║_∞=max(│x^1│,│x^2│,…,│x^n│)║x║∞=max(│x1│,│x2│,…,│xn│)
看下面这组数A=(3,4,5)和B=(6,1,1)谁大?
用二范数A2=502,B2=382,A>B\sqrt[2]{A}=\sqrt[2]{50},\sqrt[2]{B}=\sqrt[2]{38},A>B2A=250,2B=238,A>B
但是如果用无穷范数比较:
||B||=6>||A||=5,所以不同的度量标准下数据的大小关系可能会发生变化
下面看看范数在KNN算法中的使用,一般的KNN算法使用欧氏距离作为距离度量,但是这种方式只适用于样本是球形簇的情况,比如下面这种情况就不适合欧式距离
因此可能会选用不同的距离定义
1 闵可夫斯基距离
这里p⩾1这里p\geqslant1这里p⩾1
2 曼哈顿距离p=1p=1p=1
3 欧式距离p=2p=2p=2
4 切比雪夫距离p=∞p=\inftyp=∞
xm表示样本x的m个特征,xi表示第i个样本,xim表示第i个样本的第m个特征x^m表示样本x的m个特征,x_i表示第i个样本,x_i^m表示第i个样本的第m个特征xm表示样本x的m个特征,xi表示第i个样本,xim表示第i个样本的第m个特征
向量的1范数,2范数,无穷范数,KNN中的Lp距离相关推荐
- 一范数L1和二范数L2
范数是具有"长度"概念的函数.在向量空间内,为所有的向量的赋予非零的增长度或者大小.不同的范数,所求的向量的长度或者大小是不同的. 举个例子,2维空间中,向量(3,4)的长度是5, ...
- 向量的范数norm:1范数、2范数、无穷范数;矩阵的行范数、列范数
0范数: 向量中非零元素的个数. 1范数: 为绝对值之和. 2范数: 通常意义上的模. 无穷范数:取向量的最大值. 转自:范数对于数学的意义?1范数.2范数.无穷范数
- 向量与矩阵的范数(比较1-范数、2-范数、无穷范数、p-范数、L0范数 和 L1范数等)
转载出处:https://blog.csdn.net/zaishuiyifangxym/article/details/81673491 阅读文献时,经常看到各种范数,机器学习中的稀疏模型等,也有各种 ...
- 计算方法 | 范数(向量:1范数、2范数、无穷范数;矩阵:行范数、列范数)
0范数: 向量中非零元素的个数. 1范数: 为绝对值之和. 2范数: 通常意义上的模. 无穷范数:取向量的最大值. 行范数:矩阵中每行绝对值之和的最大值 列范数:矩阵中每列绝对值之和的最大值 详细研究 ...
- ax的范数最大_向量无穷范数为什么是分量绝对值最大者?
一直以来都不理解向量无穷范数如何从p范数得来,最近正看到极限,借此推导一遍. 1- p-范数 若 $x=\left[x_{1}, x_{2}, \cdots, x_{n}\right]^{T}$,那么 ...
- L0/L1/L2/无穷范数
L0范数:向量中非零元素的个数 L1范数:向量中各个元素绝对值的和 L2范数:向量中元素平方的和,再开方:即向量的模长 无穷范数:向量中各个元素绝对值的最大值 关于范数,有个好文章:http://bl ...
- 范数计算(一范数、二范数、无穷范数)
概念 多维数据度量方式:0范数,向量中非零元素的个数. 1范数(曼哈顿距离.城市距离):为绝对值之和. 2范数(欧氏距离):就是通常意义上的模. 无穷范数,就是取向量的最大值. 计算题实例
- L0范数,L1范数,L2范数,Lp范数,无穷范数,Frobenius 范数表示意义
L0范数:是指向量中非0的元素的个数. L1范数:是指向量中各个元素绝对值之和. L2范数:是指向量各元素的平方和然后求平方根. Lp范数: 是指向量各个元素绝对值p次方和的1/p次方. 无穷范数:是 ...
- L0,L1,L2 无穷范数
L0范数:向量中非零元素的个数 L1范数:向量中各个元素绝对值的和 L2范数:向量中元素平方的和,再开方:即向量的模长 无穷范数:向量中各个元素绝对值的最大值
最新文章
- 跨越企业的“中等收入陷阱”
- Java动态代理机制详解(JDK 和CGLIB,Javassist,ASM)
- 《Google软件测试之道》- Google软件测试介绍
- Robot Framework 实战中学习(Web自动化)
- php提交raw_PHP中$GLOBALS['HTTP_RAW_POST_DATA']和$_POST的区别分析
- i9 9900k mysql_i9-9900K性能如何 CPU天梯图秒懂i9-9900K性能排行
- switch case 解决字符串选择的问题
- 郝斌java教程下载_郝斌Java自学教程全集打包,视频教程下载
- scintilla 中的代码折叠功能的使用
- webRTC初探:如何实现音视频的录制
- 在文件选择打开方式里,无法添加.exe程序怎么解决
- 一款实用的web截图工具(一)
- C# windows窗口应用程序切换主界面的显示内容
- java js 高德api_地图-参考手册-地图 JS API | 高德地图API
- 2018互联网月饼哪家强?阿里有情怀、腾讯最实在、咪咕最暖萌、联想最简单粗暴......
- Commons Email-电子邮件发送
- 搭建CocoaPods私有库
- 模拟电子技术实验作业(1)
- 福师大计算机考研专硕,福师大性价比最高的管理类专硕!录取分数低,上岸比较容易!...
- 【转】UWP 和 WPF 对比