1、Lp范数
对应于闵可夫斯基距离(Minkowski distance),假设维向量
,其Lp范数记作
,定义为:
2、L0范数
假设维向量
,其L0范数记作
,定义为:
L0范数表示向量中非零项的个数,因而L0范数常常用于稀疏编码。在特征选择中,通过最小化L0范数来寻找最少最优的稀疏特征项。不过这个问题是个NP难问题,而L1范数是L0范数的最优凸近似,经常需要转换为求解L1范数。
3、L1范数
当P=1时,也就是L1范数,对应曼哈顿距离(Manhattan distance),假设维向量
,其L1范数记作
,定义为:
L1范数表示向量中各个元素绝对值之和,也被称作“Lasso regularization”(稀疏规则算子)。
4、L2范数
当P=2时,也就是L2范数,对应欧式距离 (Manhattan distance), 假设维向量
,其L2范数记作
,定义为:
L2范数是最常用的范数,它表示从原点出发到向量确定的点的欧几里得距离。可用于优化正则化项,避免过拟合。
5、无穷范数
无穷范数对应切比雪夫距离 (Chebyshev distance), 假设维向量
,其无穷范数记作
,定义为:
它主要被用来度量向量中元素的最大值。