为什么L2代表欧式距离？

"L2"代表欧氏距离的原因，

这来源于数学中的范数（norm）概念。

什么是范数

在数学中，

向量的范数是一种度量向量大小或长度的方式。

---

对于一个n维向量$\mathbf{x}=(x_1,x_2,\dots ,x_n)$，

其p-范数（p-norm）定义如下：
$$||\mathbf{x}|{|}_p={\left(\sum _{i=1}^n|x_i{|}^p\right)}^{1/p}$$

其中，$p$是范数的阶次。

当$p=2$时，我们得到的就是2-范数（2-norm），它也是最常见的范数形式之一，通常简称为L2范数。

范数公式的解析

让我们逐步解析这个公式：

$$||\mathbf{x}|{|}_p={\left(\sum _{i=1}^n|x_i{|}^p\right)}^{1/p}$$

1. $\mathbf{x}$: 这是一个向量，通常表示为 $(x_1,x_2,...,x_n)$，其中 $x_1,x_2,...,x_n$ 是向量的各个分量。

2. $|\cdot |$: 这是绝对值符号，应用于每一个分量 $x_i$ 上，确保即使分量是负数，其在后续的运算中也不影响最终结果的大小。

3. ${\sum }_{i=1}^n$: 这是求和符号，表示从 $i=1$ 到 $i=n$ 对所有项进行求和。这里的 $n$ 表示向量的维数，也就是向量包含的元素数量。

4. $|x_i{|}^p$: 这是向量每个分量 $x_i$ 的 $p$ 次方的绝对值。这意味着我们对向量的每个分量取绝对值后再进行 $p$ 次幂运算。

5. ${\left(\cdot \right)}^{1/p}$: 这表示对之前求和的结果再进行 $p$ 次根号运算。如果 $p=2$，这就是平方根；如果 $p=3$，则是立方根，以此类推。

6. $\left(\cdot \right)$: 圆括号用于组织表达式，确保先进行括号内的运算。

7. $||\cdot |{|}_p$: 这表示 $p$-范数，是对向量 $\mathbf{x}$ 的大小或长度的一种度量方式，其中 $p$ 是范数的阶次。

综上所述，整个公式 ${\left({\sum }_{i=1}^n|x_i{|}^p\right)}^{1/p}$ 计算的是向量 $\mathbf{x}$ 的 $p$-范数，

它是向量所有分量的 $p$ 次方的绝对值之和的 $p$ 次根。

---

当 $p=2$ 时，这就是L2范数或欧氏距离；

欧式距离就是向量中所有分量平方和的平方根；

当 $p=1$ 时，这是L1范数或曼哈顿距离。

曼哈顿距离就是向量中所有分量的绝对值的和。

欧氏距离的公式

对于两个向量$\mathbf{x}$和$\mathbf{y}$，

它们之间的L2距离（也就是欧氏距离）可以通过计算它们差的2-范数来得到：

$$d(\mathbf{x},\mathbf{y})=||\mathbf{x}-\mathbf{y}|{|}_2=\sqrt{\sum _{i=1}^n(x_i-y_i{)}^2}$$

因此，L2就成为了欧氏距离的代名词，因为它直接来自于向量的2-范数。

在机器学习和数据分析领域，

L2范数和欧氏距离经常被用来度量向量之间的相似性或差异性。