【机器学习·线性回归】损失函数中的内积和L2 norm

内积: ⟨ u , v ⟩ \langle \mathbf{u}, \mathbf{v} \rangle u,v



L2 norm: ∣ ∣ y − X w − b ∣ ∣ || \mathbf{y-Xw-b} || ∣∣yXwb∣∣ ∣ ∣ y − X w − b ∣ ∣ 2 || \mathbf{y-Xw-b}||_2 ∣∣yXwb2

在数学中,通常认为当 p = 2 p=2 p=2时, L p L_p Lp范数表示的是欧几里得范数(也称为 L 2 L_2 L2范数),因为此时 L p L_p Lp范数的计算方法与欧几里得距离的计算方法相同。因此,在表示 L 2 L_2 L2范数时,通常会省略指数2,直接写作 ∣ ∣ x ∣ ∣ || \mathbf{x} || ∣∣x∣∣或者 ∣ ∣ x ∣ ∣ 2 || \mathbf{x}||_2 ∣∣x2。当 p ≠ 2 p \neq 2 p=2时,需要显式地指定 L p L_p Lp范数的指数。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值