L1距离和L2距离的解释

最新推荐文章于 2025-02-11 21:33:48 发布
最新推荐文章于 2025-02-11 21:33:48 发布
阅读量2.4w 收藏 6
点赞数 3
分类专栏： 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011851421/article/details/102728783
版权

在这里插入图片描
参数解释：其中I1和I2是p维向量，例如I1=[0， 1]，I2=[1， 0]。则p=2,d1(I1,I2) = 2, d2(I1, I2) = √2.
解释一下为什么L1距离图像为什么为正方形，而L2距离图像为圆
我们以二维空间为例：对于L1，他计算的是第一维差的绝对值加上第二维差的绝对值，可以想象成直角三角形的两条直角边的长度和。对于L2，他计算的是第一维差的平方加上第二维差的平方再求和，然和开根。由勾股，可以想象成直角三角形的斜边长。
当距离一定时，若以I1为原点，则I2所有可能的点即为上述图像。

L1范数代码,l1范数和l2范数,matlab源码.zip
10-15
L1范数和L2范数是数学和信号处理领域中的两个重要概念，特别是在机器学习和优化算法中占据着核心地位。在MATLAB环境中，它们的实现和应用是程序员经常遇到的问题。本篇将深入探讨L1范数与L2范数的定义、性质以及在...
demo_SGMKL.zip_DEMO_L1/L2范数_l1约束_l2_多核matlab
07-15
"demo_SGMKL.zip_DEMO_L1/L2范数_l1约束_l2_多核matlab"这个压缩包提供了关于多核学习中稀疏广义多核学习（Sparse Generalized Multiple Kernel Learning, SGMKL）的示例代码，特别关注L1和L2范数以及L1约束的应用。...
L1距离和L2距离图像解释
热门推荐
qq_33626280的博客
03-04 3万+
L1距离和L2距离图像及公式 参数解释：其中I1和I2是p维向量，例如I1=[0， 1]，I2=[1， 0]。则p=2,d1(I1,I2) = 2, d2(I1, I2) = √2. 解释一下为什么L1距离图像为什么为正方形，而L2距离图像为圆 我们以二维空间为例：对于L1，他计算的是第一维差的绝对值加上第二维差的绝对值，可以想象成直角三角形的两条直角边的长度和。对于L2，他计算的是第一维差的平...
机器学习系列（1）：K邻近
WwwwHy搞的烂活
04-12 629
机器学习系列（1）:K邻近一、K邻近算法二、K邻近模型2.1 模型2.2 距离度量2.3 K值的选择2.4 分类决策规则三、K近邻的优缺点3.1 优点3.2 缺点四、python代码实现 一、K邻近算法 K近邻算法简单、直观。⾸首先给出⼀一张图，根据这张图来理理解最近邻分类器。 根据上图所示，有两类不同的样本数据，分别⽤蓝色的小正方形和红色的小三角形表示，而图正中间的那个绿⾊的圆所标示的数据则是...
【leetcode】数组刷题总结（二）滑动窗口
最新发布
zs16113的博客
02-11 761
滑动窗口算法技巧主要用来解决子数组问题，比如让你寻找符合某个条件的最长/最短子数组或者子串。对于某些题目，并不需要穷举所有子串，就能找到题目想要的答案。滑动窗口就是这种场景下的一套算法模板，帮你对穷举过程进行剪枝优化，将求解子串复杂度由O(N^2)->O(N)
【L1距离和L2距离】Manhattan Distance & Euclidean Distance 解释和计算公式
weixin_44955407的博客
03-29 2192
特征空间中两个实例点的距离可以反映出两个实力点之间的相似性程度，使用的距离可以是欧式距离，也可以是其他距离。夹角余弦：几何中夹角余弦可用来衡量两个向量方向的相似度，机器学习中借用这一概念来衡量向量之间的相似度。闵可夫斯基距离：它不是一种距离，而是一组距离的定义。当p趋于无穷时，即切比雪夫距离。当p=1时，即曼哈顿距离。当p=2时，即欧式距离。
简单理解机器学习中的L1距离，L2距离，L-Inf距离
xiongxyowo的博客
01-07 1万+
Overview 这三个东西的话，都是用来算相似度的，用更准确的说法应该叫∣∣L∣∣1||L||_1∣∣L∣∣1​，∣∣L∣∣2||L||_2∣∣L∣∣2​，∣∣L∣∣∞||L||_{\infty}∣∣L∣∣∞​，即数值分析中的1-范数、2-范数、无穷范数。接下来为了方便描述起见仅以二维空间下的两点A(x1,y1)A(x_1,y_1)A(x1​,y1​)，B(x2,y2)B(x_2,y_2)B(x2​,y2​)为例。 L1距离 即曼哈顿距离，可以简单理解为只能横着走或竖着走：d1=∣x1−x2∣+∣y1−
常用的度量方法，L1 距离、L2 距离、余弦距离、相关系数 和 汉明距离
m0_52417521的博客
09-08 1183
对于两个二进制字符串 x=1011101\mathbf{x} = 1011101x=1011101 和 y=1001001\mathbf{y} = 1001001y=1001001，汉明距离为 2，因为它们在第 3 和第 6 位不同。如果我们有两个向量 x=(1,2,3) 和 y=(4,6,8)，它们的皮尔逊相关系数为 1，因为它们之间的线性关系非常强（可以通过比例直接表达）。常用于稀疏数据，因为它对较小的噪声不太敏感，尤其是在高维空间中。它衡量的是两个字符串或二进制序列在相应位置上的不同字符的个数。
KNN(临近算法k-NearestNeighbo) L1 和 L2距离计算
XM_no_homework的博客
02-23 5992
KNN基础中 L1 和 L2 距离是最核心的两个公式 1、L1距离 L1距离很简单，就是矩阵I1和矩阵I2每个元素（aij） 相减的绝对值，这一点CS231中给出了很明确的计算： L1 Numpy实现： for i in range(num_test): a = X_test[i]-X_train[j] b = np.fabs(a) dists[i][j] = np.sum(b) 2、...
l1,l2,l∞范数下带约束的最小化最近距离和问题 (2008年)
05-11
研究设备定位领域内的最小化距离和问题与以往研究不同的是,文章用需求区域代替距离和问题中的需求点问题的目标是在平面上的某约束区域内定位一个新的设备,使得新设备到各个需求区域的最近点的加权距离和达到最小,...
L1距离和L2距离Matlab代码实现
斯人若彩虹，遇上方知有！
11-14 5983
1、L1距离（也就是曼哈顿距离Manhattan Distance） 这个相对简单点，简要的说就是求点的绝对值 例如下图所示：就是对应位置元素相减然后取绝对值操作！ L1距离计算公式如下： 简单的python代码实现 import numpy as np for i in range(num_test): a = X_test[i]-X_train[j] b ...
【笔记】L1 距离 和 L2 距离：曼哈顿距离和欧式距离
nyist_yangguang的博客
03-05 623
曼哈顿距离和欧氏距离（ L1距离和L2距离）
Drug discovery
04-04 3万+
欧氏距离里的距离计算： 曼哈顿距离（出租车距离，因为曼哈顿是一个四四方方的城市）中的距离计算： 图1中红线代表曼哈顿距离， 而蓝色和黄色代表等价的曼哈顿距离。 绿色代表欧氏距离，也就是直线距离， 曼哈顿距离——两点在南北方向上的距离加上在东西方向上的距离，即d(i,j)=|xi-xj|+|yi-yj|。就是表示两个点在标准坐标系上的绝对轴距之和 ...
[转] L1 && L2范数
weixin_33989780的博客
06-10 362
作者：Andy Yang链接：https://www.zhihu.com/question/26485586/answer/616029832来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 理解L1，L2 范数 L1，L2 范数即 L1-norm 和 L2-norm，自然，有L1、L2便也有L0、L3等等。因为在机器学习领域，L1 和 L2 范数应用比较多，...
计算两张人脸对应关键点位置之间的l2距离_人脸识别综述
weixin_39550410的博客
11-16 2065
人脸识别综述人脸识别是图像分析与理解最重要的应用之一，所谓人脸识别，就是利用计算机分析人脸视频或者图像，并从中提取出有效的识别信息，最终判别人脸对象的身份。人脸识别的研究可以追溯到２０世纪 60年代末期，主要的思路是设计特征提取器，再利用机器学习的算法进行分类。2012深度学习引入人脸识别领域后，特征提...
[图像] 直方图的距离
(ง •̀_•́)ง
01-18 5656
L1距离： L2距离： 直方图的交： Hausdorff距离：   已知两个直方图： (10 20 5) (5 15 15) L1距离：|10 - 5| + |20 - 15| + |5 - 15| = 20 L2距离： 直方图的交： 已知两个直方图： （3 6 7）（10 1 2 5） Hausdorff距离(假设D代表绝对值距离）： h(A, B) = m
机器学习中常用的几种距离
qq_61694719的博客
09-02 666
L1距离，也称为曼哈顿距离（Manhattan Distance）或城市街区距离（City Block Distance），是一种度量两个点在标准坐标系上的绝对轴距总和的距离度量方法。L2距离，也称为欧几里得距离（Euclidean Distance），是度量两点在欧几里得空间中直线距离的一种方法。其中，n 是维度的数量，pi 和 qi 分别是点 P 和 Q 在第 i 维上的坐标。其中，n 是维度的数量，pi 和 qi分别是点 P和 Q在第 i 维上的坐标。
机器学习中常用的几种距离——欧式、余弦等
lucky_chaichai的博客
05-14 1574
（1）二维空间的距离公式（三维空间的在这个基础上类推）：A（x,y），B（x,y）两点之间的欧式距离为：（2）n维空间的距离公式A(x,x,…,x)和B(x,x,…,x。
L1&L2，范数&损失
double_yellow的博客
05-23 4501
这里是有很大的区别的哦。而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。为什么越小的参数说明模型越简单？一种理解是：“限制了参数很小，实际上就限制了多项式某些分量大小，使分量的影响很小，这样就相当于减少参数个数”。在回归里面，有人把有它的回归叫“岭回归”（Ridge Regression），有人也叫它“权值衰减weight decay”。L2范数强大功效是改善机器学习里面一个非常重要的问题：过拟合。它是把目标值y与估计值f(x)的差值的平方和最小化。，都接近于0，但与L1范数不同，
l1loss和l2loss是什么
01-15
### 定义 #### L1 Loss (绝对误差损失) L1 Loss 表示预测值与实际值之间差异的绝对值总和。对于单个样本而言，其计算方式如下： \[ \text{L1 Loss} = |y_{\text{pred}} - y_{\text{true}}| \] 其中 \( y_{\text{pred}} \) 是模型给出的预测结果，\( y_{\text{true}} \) 则代表真实的标签值。 在多维情况下，则是对所有维度上的差取绝对值得到向量后再求和[^1]。 ```python import torch.nn as nn criterion_l1 = nn.L1Loss() output = criterion_l1(torch.tensor([0.8]), torch.tensor([1.0])) print(output.item()) ``` #### L2 Loss (均方误差损失) L2 Loss 计算的是预测值与目标值之间的平方差平均数，在数学上也被称为欧几里得距离或欧式距离。具体表达式为: \[ \text{L2 Loss} = (y_{\text{pred}} - y_{\text{true}})^2 \] 同样地，在处理多个特征时会先逐元素相减并平方之后再累加起来除以样本数量得到最终的结果[^2]。 ```python import torch.nn.functional as F def mse_loss(input, target): return F.mse_loss(input, target) output = mse_loss(torch.tensor(0.9), torch.tensor(1.0)) print(output.item()) ``` ### 区别 - **对离群点敏感程度不同**: L2 Loss 对于较大的残差更加敏感，因为它是基于二次幂运算；而 L1 Loss 只考虑绝对偏差大小，因此相对更稳健一些，不易受到极端数据的影响[^3]。 - **导数特性有异**: 当接近最优解附近时，由于 L2 Loss 函数曲线较为平坦，所以能够提供较小但持续存在的梯度来帮助优化过程收敛；相反，L1 Loss 在零处不可微分，这可能导致某些算法难以有效工作。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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