特征空间中两个实例点的距离是两个实例点相似程度的反映。
L p L_p Lp 距离
设特征空间
X
\mathcal X
X 是
n
n
n 维实数向量空间
R
n
\bf R^n
Rn,
x
i
,
x
j
∈
X
x_i, x_j \in \mathcal X
xi,xj∈X,
x
i
=
(
x
i
(
1
)
,
x
i
(
2
)
,
.
.
.
,
x
i
(
n
)
)
T
x_i=(x_i^{(1)}, x_i^{(2)},..., x_i^{(n)})^T
xi=(xi(1),xi(2),...,xi(n))T,
x
j
=
(
x
j
(
1
)
,
x
j
(
2
)
,
.
.
.
,
x
j
(
n
)
)
T
x_j=(x_j^{(1)}, x_j^{(2)},..., x_j^{(n)})^T
xj=(xj(1),xj(2),...,xj(n))T,
x
i
,
x
j
x_i, x_j
xi,xj 的
L
p
\bm{L_p}
Lp 距离定义为:
L
p
(
x
i
,
x
j
)
=
(
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
p
)
1
p
L_p(x_i, x_j)=(\sum_{l=1}^n |x_i^{(l)}-x_j^{(l)}|^p)^{\frac{1}{p}}
Lp(xi,xj)=(l=1∑n∣xi(l)−xj(l)∣p)p1 这里
p
≥
1
p\ge 1
p≥1。
欧式距离
当
p
=
2
p=2
p=2 时,称为欧式距离,即:
L
2
(
x
i
,
x
j
)
=
(
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
2
)
1
2
L_2(x_i, x_j)=(\sum_{l=1}^n |x_i^{(l)}-x_j^{(l)}|^2)^{\frac{1}{2}}
L2(xi,xj)=(l=1∑n∣xi(l)−xj(l)∣2)21
曼哈顿距离
当
p
=
1
p=1
p=1 时,称为曼哈顿距离,即:
L
1
(
x
i
,
x
j
)
=
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
L_1(x_i, x_j)=\sum_{l=1}^n |x_i^{(l)}-x_j^{(l)}|
L1(xi,xj)=l=1∑n∣xi(l)−xj(l)∣
L ∞ L_{\infty} L∞ 距离
当
p
=
∞
p=\infty
p=∞ 时,它是各个坐标距离的最大值,即:
L
∞
(
x
i
,
x
j
)
=
max
l
∣
x
i
(
l
)
−
x
j
(
l
)
∣
L_{\infty}(x_i, x_j)=\max_l |x_i^{(l)}-x_j^{(l)}|
L∞(xi,xj)=lmax∣xi(l)−xj(l)∣
参考文献
[1] 李航. 统计学习方法. 清华大学出版社. 2012