机器学习笔记八：常见“距离”归纳

最新推荐文章于 2024-07-02 23:44:13 发布
最新推荐文章于 2024-07-02 23:44:13 发布
阅读量2.8k 收藏 5
点赞数 1
分类专栏： 机器学习理论 文章标签： 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/xierhacker/article/details/62422890
版权
这篇博客介绍了机器学习中的两种重要距离度量：明可夫斯基距离和余弦距离。明可夫斯基距离包括了曼哈顿距离、欧氏距离和切比雪夫距离，是一种通用的距离定义。余弦距离则通过衡量向量夹角的余弦值来表示它们之间的差异，其值域在[-1, 1]之间，适用于方向的相似性分析。" 132153322,18158630,AutoSAR RTE深入解析：Runnables执行机制,"['AutoSAR', '实时系统', '任务调度', '并发控制', '嵌入式开发']
摘要由CSDN通过智能技术生成

一.明可夫斯基距离(Minkowski Distance)

有两个n维的点这里写图片描述，他们之间的明可夫斯基距离的定义为：
这里写图片描述
你会发现这个式子和p-范数的形式很像。比如对于一个向量x，他的p-范数为：
这里写图片描述
所以，要是在一些论文里面明可夫斯基距离写成下面的式子，也别感到奇怪：

最低0.47元/天 解锁文章
谢小小XH
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习中常用的距离计算
01-13
机器学习学习笔记.pdf
06-14
机器学习学习笔记.pdf
机器学习总结之——各种距离汇总
机器学习&数据挖掘
09-25 5698
机器学习总结之——各种样本距离汇总   一般在机器学习模型中会涉及到衡量两个样本间的距离，如聚类、K-Nearest Neighbor等，使用的距离可以使欧式距离，也是可以是其它距离，本文对各种距离度量的表示法进行了汇总。 1、欧氏距离   最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点 x = (x1,…,xn) 和 y = (y1,…,yn) 之间的...
算法金 | 欧氏距离算法、余弦相似度、汉明、曼哈顿、切比雪夫、闵可夫斯基、雅卡尔指数、半正矢、Sørensen-Dice
最新发布
算法金「全网同名」的博客
07-02 713
大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」在算法模型构建中，我们经常需要计算样本之间的相似度，通常的做法是计算样本之间的距离。今天，一键拿下九种距离算法。走你~
机器学习中几种距离
Frank-Li的博客
05-09 876
在机器学习中，向量是非常重要的概念。在对向量进行各种操作时，我们经常需要计算它们之间的距离。本文将介绍几种常用的向量距离计算方法，包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、余弦相似度和皮尔逊相关系数。
机器学习中的相似性度量
hit_kongquan的专栏
03-25 8287
<br /><br />在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。<br />　　本文的目的就是对常用的相似性度量作一个总结。<br /><br /><br />本文目录：<br />1. 欧氏距离<br />2. 曼哈顿距离<br />3. 切比雪夫距离<br />4. 闵可夫斯基距离<br />5. 标准化欧氏距离<br />6
机器学习中常用的距离简介
jp_666的博客
12-19 755
在机器学习常见的算法中，很多都需要使用距离表示相似性，常用的距离计算方式有以下几种： 1、欧式距离       欧式距离是最常见的两点之间或多点之间的距离表示方式，又称为欧几里得度量。计算的表达式如下： 2、曼哈顿距离        曼哈顿距离可以看作不同维度之间的累加和： 例如：在二维平面内，两个点(x1,y1)和(x2,y2)之间的曼哈顿距离是：      
常见的经典机器学习笔记
07-21
【第1讲】 机器学习的动机与应用（主要是课程要求与应用范例，没有涉及机器学习的具体计算内容） 【第2讲】 监督学习应用-线性回归 【第3讲】 线性回归的概率解释、局部加权回归、逻辑回归 【第4讲】 牛顿法、一般...
西瓜书机器学习的学习笔记（十分详细）
06-10
学习了机器学习的基础以及相关理论，颇有收获，并做了相关笔记，对于机器学习有了更为深入的理解，为以后的学习以及研究打下基础。 主要内容包含以下相关主题： - 模型的评估与选择 - 神经网络 - 支持向量机 - ...
《机器学习-周志华》学习笔记
10-17
为了训练一个真正有效、优化的模型，需要学习一下机器学习的理论知识。周志华的教材非常经典，但概念较多，特别是前两章，在学习中作了笔记，现分享出来，希望能有帮助。
机器学习笔记
12-20
机器学习笔记 机器学习是人工智能领域中一个核心概念，涉及到大量的算法和数学原理。在这个笔记中，我们将介绍机器学习的基本概念、监督学习、非监督学习、强化学习、线性回归、梯度下降、正规方程组等。 机器学习...
机器学习中常见距离计算
weixin_42267862的博客
01-04 412
余弦距离实际上就是计算两个向量的夹角，也就是在方向上计算两者之间的差异，不管绝对值相差多大，都不对它造成影响。在推荐算法中的感兴趣的相关性比较上，角度的关系比距离的绝对值还要重要，所以在推荐、文本分类中，经常会使用到余弦距离。当p=1时，就是曼哈顿距离 当p=2时，就是欧氏距离 当p→∞时，就是切比雪夫距离。根据变参数的不同，闵氏距离可以表示一类的距离。要注意的是，曼哈顿距离依赖座标系统的转度，而非系统在座标轴上的平移或映射。切比雪夫距离就是两点坐标之间绝对值相差最大的距离，和上面的曼哈顿距离有些类似。
机器学习中的觉的距离和相似度
人无远虑，必有近忧
11-26 909
对于距离来说,在机器学习中用的最多的就是聚类算法Clustering，Clustering以各种距离为根据判断两条数据是否为同一类。
机器学习 相似程度 曼哈顿距离
FabioPLA的博客
08-09 1299
曼哈顿距离算法 首先介绍一下曼哈顿，曼哈顿是一个极为繁华的街区，高楼林立，街道纵横，从A地点到达B地点没有直线路径，必须绕道，而且至少要经C地点，走AC和 CB才能到达，由于街道很规则，ACB就像一个直角3角形，AB是斜边，AC和CB是直角边，根据毕达格拉斯(勾股)定理，或者向量理论，都可以知道用AC和CB 可以表达AB的长度。 在早期的计算机图形学中，屏幕是由像素构成，是整数，点
几种常见的距离计算公式
热门推荐
I‘m Frank Lee
10-20 4万+
在学习分类、聚类、预测、推荐算法的过程中常常会遇到比较两个或多个对象的相似性，而相似性的度量可以通过计算距离来实现。我们常用的距离计算公式是欧几里得距离公式，但是有时候这种计算方式会存在一些缺陷，那么就需要另外的计算方法去加以补充，本文将介绍几种在机器学习中常用的计算距离。 在做很多研究问题时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就...
几种机器学习常见的距离
朱铭德的博客
09-13 6874
各种距离
机器学习中常用的距离
qq_39197555的博客
03-18 479
1 距离公式的基本性质 2 常见的距离公式 2.1 欧式距离(Euclidean Distance)： 欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。 举例: X=[[1,1],[2,2],[3,3],[4,4]]; 经计算得: d = 1.4142 2.8284 4.2426 1.4142 2.8284 1.4142 2.2曼哈顿距离(Manhattan Distance)： ...
近邻的距离度量表示法
Havenoidea 的专栏
10-11 4491
K近邻算法的核心在于找到实例点的邻居，这个时候，问题就接踵而至了，如何找到邻居，邻居的判定标准是什么，用什么来度量。这一系列问题便是下面要讲的距离度量表示法。但有的读者可能就有疑问了，我是要找邻居，找相似性，怎么又跟距离扯上关系了？     这是因为特征空间中两个实例点的距离和反应出两个实例点之间的相似性程度。K近邻模型的特征空间一般是n维实数向量空间，使用的距离可以使欧式距离，也是可以是其
机器学习 -- 基本数学概念总结
我的英文站点：https://iorilan.medium.com/
04-08 2829
特征向量对于一个给定的线性变换A，它的特征向量（eigenvector，也譯固有向量或本征向量）v 经过这个线性变换[1]之后，得到的新向量仍然与原来的v 保持在同一條直線上，但其长度或方向也许會改变。即Av=λv特征空间特征空间(eigenspace)是具有相同特征值的特征向量与一个同维数的零向量的集合。假设空间一组函数的集合，这组集合中的函数都能将输入空间映射到输出空间，但是映射的准确性却大不
吴恩达Coursera机器学习笔记全集：从入门到进阶
"Coursera机器学习笔记包含了吴恩达教授在Coursera平台上的机器学习课程的完整笔记，从监督学习与无监督学习的基本概念，到各种机器学习算法的详细讲解，包括线性回归、逻辑回归、正则化、神经网络、支持向量机、非...
评论
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