简单理解机器学习中的L1距离,L2距离,L-Inf距离
Overview
这三个东西的话,都是用来算相似度的,用更准确的说法应该叫∣∣L∣∣1||L||_1∣∣L∣∣1,∣∣L∣∣2||L||_2∣∣L∣∣2,∣∣L∣∣∞||L||_{\infty}∣∣L∣∣∞,即数值分析中的1-范数、2-范数、无穷范数。接下来为了方便描述起见仅以二维空间下的两点A(x1,y1)A(x_1,y_1)A(x1,y1),B(x2,y2)B(x_2,y_2)B(x2,y2)为例。
L1距离
即曼哈顿距离,可以简单理解为只能横着走或竖着走:d1=∣x1−x2∣+∣y1−y2∣d_1=|x_1-x_2|+|y_1-y_2|d1=∣x1−x2∣+∣y1−y2∣
L2距离
即欧氏距离,也是我们平时最常用的,两点之间的直线距离:d2=(x1−x2)2+(y1−y2)2{d_2} = \sqrt {{{({x_1} - {x_2})}^2} + {{({y_1} - {y_2})}^2}}d2=(x1−x2)2+(y1−y2)2
L-Inf距离
即切比雪夫距离,可以理解为国际象棋中国王的走子法,有八个方向可以移动:d∞=max(∣x1−x2∣,∣y1−y2∣){d_\infty } = \max (|{x_1} - {x_2}|,|{y_1} - {y_2}|)d∞=max(∣x1−x2∣,∣y1−y2∣)
Summary
考虑这三种距离,距原点(0,0)(0,0)(0,0)为1的所有点构成的集合如下:
简单理解机器学习中的L1距离,L2距离,L-Inf距离相关推荐
- 机器学习中的L1与L2正则化图解!
今日锦囊 特征锦囊:今天一起搞懂机器学习里的L1与L2正则化 今天我们来讲讲一个理论知识,也是老生常谈的内容,在模型开发相关岗位中出场率较高的,那就是L1与L2正则化了,这个看似简单却十分重要的概念, ...
- 机器学习中的L1和L2正则化项
关注微信公众号[Microstrong],我写过四年Android代码,了解前端.熟悉后台,现在研究方向是机器学习.深度学习!一起来学习,一起来进步,一起来交流吧! 本文同步更新在我的微信公众号里,地 ...
- 初学者如何学习机器学习中的L1和L2正则化
训练机器学习模型的要点之一是避免过拟合.如果发生过拟合,模型的精确度会下降.这是由于模型过度尝试捕获训练数据集的噪声.本文介绍了两种常用的正则化方法,通过可视化解释帮助你理解正则化的作用和两种方法的区 ...
- 【机器学习基础】一文搞懂机器学习里的L1与L2正则化
文章来源于SAMshare,作者flora 特征锦囊:今天一起搞懂机器学习里的L1与L2正则化 今天我们来讲讲一个理论知识,也是老生常谈的内容,在模型开发相关岗位中出场率较高的,那就是L1与L2正则化 ...
- 线性回归中的L1与L2正则化
在这篇文章中,我将介绍一个与回归相关的常见技术面试问题,我自己也经常会提到这个问题: 描述回归建模中的L1和L2正则化方法. 在处理复杂数据时,我们往往会创建复杂的模型.太复杂并不总是好的.过于复杂的 ...
- 概率密度函数及其在信号方面的简单理解(中)频谱密度函数
概率密度函数及其在信号方面的简单理解(中)频谱密度函数 (中)频谱密度函数 傅里叶级数 傅里叶变换 参考文献 后记 上学期修了外学院的自动控制原理课,学习非线性控制系统的处理时用到了傅里叶级数,老师就 ...
- [机器学习]正则化项L1和L2的学习与理解
正则化项L1和L2的学习与理解 一,正则化(Regularization) 稀疏模型与特征选择的关系 二, 为什么L1产生稀疏模型而L2可以防止过拟合 1, L1和L2正则化的直观理解 正则化和特征选 ...
- 机器学习中L0, L1, L2正则项介绍
版权声明:本文为原创文章:http://blog.csdn.net/programmer_wei/article/details/52093281 L0,L1,L2正则项是机器学习中常用的正则项,本文 ...
- [机器学习必知必会]如何理解机器学习中的正则化
正则化综述 机器学习中经常会在损失函数 中加入正则项,称之为正则化(Regularize). 目的:防止模型过拟合 原理:在损失函数上加上某些规则(限制),缩小解空间,从而减少求出过拟合解的可能性 例 ...
最新文章
- iOS 8以上的设置的跳转
- 10 个 GitHub 上超火的 CSS 奇技淫巧项目,找到写 CSS 的灵感!
- 按之字形顺序打印二叉树
- linux下(ubuntu)反删除(误删恢复)与回收站制作
- spring 中bean初始化
- Oracle中一把梭获取对象DDL创建语句
- Python出力scv文件,打开乱码问题
- 分享(转载)跟大家分享一下牛人常用的资源类,供大家参考、学习。
- 天下3 最多的服务器,《天下3》服务器合并规则
- coalesce函数的用法
- 1.3、操作系统的发展和分类
- 解决 win10 桌面 资源管理器未响应
- excel简单操作。python
- Php 股票系统,利用PHP命令行模式采集股票趋势信息
- 你可以和十八岁一无所有的男生谈恋爱,但是当他二十八岁的时候还是一无所有,我劝你趁着离开。...
- grep -q的用法
- 深度学习:权重衰减(weight decay)与学习率衰减(learning rate decay)
- linux自定义刷新率,Linux下设置其分辨率及刷新率
- Linux 环境下部署Hexagon SDK 开发环境
- 《疯狂动物城》观影感受
热门文章
- 嵌入式软件开发工程师的养成之路——从 推挽输出 开始
- matlab读取数据 溢出,matlab读取400多兆的wav数据,内存溢出,如何解决
- cmd mysql出现乱码怎么解决方法_cmd如何解决mysql乱码
- python 两阶段聚类_Python,如何对多元时间序列进行聚类?
- hexo搭建个人博客_hexo 搭建个人博客
- 深度学习入门笔记(五):神经网络的学习
- 动态规划之回文串问题
- 洛谷 P1036 [NOIP2002 普及组] 选数(DFS)
- 目标检测——域适应的学习笔记
- 【JavaScript】我所知道的JavaScript