样本距离
给定样本 xi=(xi1;xi2;⋯;xin) 与 xj=(xj1;xj2;⋯;xjn)
最常用的是“闵可夫斯基距离”:
即
Lp
范数
||xi−xj||p
distmk(xi,xj)=(∑u=1n|xiu−xju|p)1p
当p=2时,闵可夫斯基距离即为欧氏距离:
disted(xi,xj)=||xi−xj||2=∑u=1n|xiu−xju|2−−−−−−−−−−−√
当p=1时,闵可夫斯基距离即为曼哈顿距离:
distman(xi,xj)=||xi−xj||1=∑u=1n|xiu−xju|
向量范数
设 x=(ξ1,ξ2,ξ3,⋯,ξn)T∈Cn
向量p-范数:
∥x∥p=(∑k=1n|ξk|p)1p
即向量元素绝对值的p次方和的1/p次幂
向量0-范数: 向量中非零元素的个数
向量1-范数:
∥x∥1=∑k=1n|ξk|
即向量元素绝对值之和
向量2-范数:
∥x∥2=∑k=1n|ξk|2−−−−−−−√=xHx−−−−√
即向量元素绝对值的平方和再开方
向量
∞
-范数:
||x||∞=maxk|ξk|
即所有向量元素绝对值中的最大值
向量-
∞
-范数:
||x||−∞=mink|ξk|
即所有向量元素绝对值中的最小值
矩阵范数
矩阵1-范数:
∥A∥1=maxj∑i=1m|ai,j|
列和范数,即所有矩阵列向量绝对值之和的最大值
矩阵2-范数:
||A||2=λAHA−−−−−√
谱范数,即
AHA
矩阵的最大特征值的开平方,其中
λAHA
是
AHA
的最大特征值,
AH
是A的共轭转置;
注:因 (AHA)H=AH(AH)H=AHA ,即 AHA 是Hermite矩阵,它对应的二次型:
f(x)=xH(AHA)x=(Ax)H(Ax)=yHy≥0
是正定的或半正定的,因此它的特征值都大于或等于零
矩阵
∞
-范数:
∥A∥∞=maxi∑j=1n|ai,j|
行和范数,即所有矩阵行向量绝对值之和的最大值
矩阵F-范数:
∥A∥F=∑i,j=1|ai,j|2−−−−−−−−√=∑i=1m∑j=1n|ai,j|2−−−−−−−−−−⎷=tr(AHA)−−−−−−−√
Frobenius范数,即矩阵元素绝对值的平方和再开平方
矩阵核范数:
||A||∗=∑i=1nλi
λi
是A的奇异值,即奇异值之和。
后期有新的认识了再添加。。