KNN基础中 L1 和 L2 距离是最核心的两个公式
1、L1距离
L1距离很简单,就是矩阵I1和矩阵I2每个元素(aij) 相减的绝对值,这一点CS231中给出了很明确的计算:
L1 Numpy实现:
for i in range(num_test):
a = X_test[i]-X_train[j]
b = np.fabs(a)
dists[i][j] = np.sum(b)
2、L2距离
首先给出L2距离的公式:
L2理解很简单就是运用了欧式距离,可以参考L1进行理解
L2 Numpy实现(双循环方法计算训练集和测试集之间的距离):
for i in range(num_test):
for j in range(num_train):
a = X_test[i]-X_train[j]
b = np.square(a)
c = np.sum(b)
dists[i][j] = np.sqrt(c)