范數與距離的關系

標簽： 范數距離歐式距離曼哈頓距離切比雪夫距離 2013-11-10 20:00 20015人閱讀 評論(3) 收藏 舉報 本文章已收錄于： 分類： Machine Learning（3） 作者同類文章X

Data Mining（12） 作者同類文章X

Statistics（1） 作者同類文章X

版權聲明：本文為博主原創文章，未經博主允許不得轉載。

目錄(?)[+]

范數

距離

1 范數

向量的范數可以簡單形象的理解為向量的長度，或者向量到零點的距離，或者相應的兩個點之間的距離。

向量的范數定義：向量的范數是一個函數||x||,滿足非負性||x|| >= 0，齊次性||cx|| = |c| ||x|| ，三角不等式||x+y|| <= ||x|| + ||y||。

常用的向量的范數：
L1范數: ?||x|| 為x向量各個元素絕對值之和。
L2范數: ?||x||為x向量各個元素平方和的1/2次方，L2范數又稱Euclidean范數或者Frobenius范數
Lp范數: ?||x||為x向量各個元素絕對值p次方和的1/p次方

L∞范數: ?||x||為x向量各個元素絕對值最大那個元素的絕對值，如下：

橢球向量范數: ||x||A ?= sqrt[T(x)Ax]， T(x)代表x的轉置。定義矩陣C 為M個模式向量的協方差矩陣， 設C’是其逆矩陣，則Mahalanobis距離定義為||x||C’ ?= sqrt[T(x)C’x], 這是一個關于C’的橢球向量范數。

2 距離

歐式距離（對應L2范數）：最常見的兩點之間或多點之間的距離表示法，又稱之為歐幾里得度量，它定義于歐幾里得空間中。n維空間中兩個點x1(x11,x12,…,x1n)與 x2(x21,x22,…,x2n)間的歐氏距離：

也可以用表示成向量運算的形式：

曼哈頓距離：曼哈頓距離對應L1-范數，也就是在歐幾里得空間的固定直角坐標系上兩點所形成的線段對軸產生的投影的距離總和。例如在平面上，坐標（x1, y1）的點P1與坐標（x2, y2）的點P2的曼哈頓距離為：，要注意的是，曼哈頓距離依賴座標系統的轉度，而非系統在座標軸上的平移或映射。

切比雪夫距離，若二個向量或二個點x1和x2，其坐標分別為(x11, x12, x13, ... , x1n)和(x21, x22, x23, ... , x2n)，則二者的切比雪夫距離為：d = max(|x1i - x2i|)，i從1到n。對應L∞范數。

閔可夫斯基距離(Minkowski?Distance)，閔氏距離不是一種距離，而是一組距離的定義。對應Lp范數，p為參數。

閔氏距離的定義：兩個n維變量（或者兩個n維空間點）x1(x11,x12,…,x1n)與?x2(x21,x22,…,x2n)間的閔可夫斯基距離定義為：?

其中p是一個變參數。

當p=1時，就是曼哈頓距離，

當p=2時，就是歐氏距離，

當p→∞時，就是切比雪夫距離， ? ? ??

根據變參數的不同，閔氏距離可以表示一類的距離。?

Mahalanobis距離：也稱作馬氏距離。在近鄰分類法中，常采用歐式距離和馬氏距離。

參考資料：

http://blog.csdn.NET/v_july_v/article/details/8203674

頂

11

踩

0

• 上一篇臺式機+無線路由 配置 wifi熱點
• 下一篇關聯規則挖掘：FP-Growth算法

我的同類文章

Machine Learning（3） Data Mining（12） Statistics（1） http://blog.csdn.net

• ?[Kaggle] 數據建模分析與競賽平臺介紹2016-11-20閱讀115
• ?Stanford機器學習系列之一：機器學習基本概念2012-12-08閱讀1607

• ?數據分析：Weka，Matlab，R，SPSS，SAS等分析軟件的入門2013-08-20閱讀6057

總結

以上是生活随笔為你收集整理的范数与距离的关系的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。