本文介绍了机器学习中常用的样本间距离和相似度度量方法，包括L-0、L-1、L-2、L-∞范数，闽可夫斯基距离，马哈拉诺比斯距离，相关系数和夹角余弦。这些度量在数据挖掘和算法中用于表示样本差异和相似性。
机器学习中用样本之间的距离/相似度来表示样本差异，下面介绍几种常用的距离/相似度，顺便介绍一下L—P范数。
1.闽可夫斯基距离
L—P范数与闽可夫斯基距离的定义一样：
L p = ( ∑ 1 n x i p ) 1 p ， x = ( x 1 , x 2 , ⋯ , x n ) Lp=({\sum\limits_{1}^n x_i^p})^{\frac{1}{p}}，x=(x_1,x_2,\cdots,x_n) Lp=(1∑nxip)p1，x=(x1,x2,⋯,xn)
- 当 p = 1 p=1 p=1时，称为曼哈顿距离
- 当 p = 2 p=2 p=2时，称为欧氏距离
- 当 p = ∞ p =\infty p=∞时，称为切比雪夫距离，取各个坐标数值差的绝对值的最大值 d i j = m a x k ∣ x k i − x k j ∣ d_{ij}= max_k \ |x_{ki}\ - \ x_{kj}| dij=maxk ∣xki − xkj∣
当 p p p变化时，范数也有着不同的变化，三维空间中到原点距离小于一的点构成一个球体，即欧氏距离。
1.1L-0范数
对于L—0范数来说，他用来度量向量中非0元素的个数，表现形式为 ∣ ∣ w ∣ ∣ 0 ||w||_0 ∣∣w∣∣0
最低0.47元/天 解锁文章
3006
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
