花书学习笔记(1) 范数、特征分解、奇异值分解、伪逆、自信息

本文是机器学习中的基础知识学习笔记,涵盖了Lp范数的介绍,特别是L2和L1范数的特点,以及Frobenius范数在衡量矩阵大小中的应用。接着讲解了矩阵特征分解的原理,强调了实对称矩阵的特征向量和特征值分解。奇异值分解(SVD)的内容包括其适用性,并解释了Moore-Penrose伪逆的概念。此外,还探讨了信息论的基础,如自信息、香农熵、KL散度和交叉熵等概念。最后简要介绍了几种常用概率分布,如伯努利、高斯和Laplace分布。
摘要由CSDN通过智能技术生成

范数

Lp 范数定义为:

||x||p=(i|xi|p)1p

  • 不同范数之间的特点
    L2 范数:在机器学习目标函数中经常出现,平方 L2 范数常为优化问题中的正则项。缺点是在零点附近增长缓慢。
    L1 范数:区分零与非零元素
    L0 范数:非零元素的个数。在实际问题中,经常以 L1 范数作为代替函数。
    Frobenius 范数: ||A||F=i,jA2i,j
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