机器学习笔记八：常见“距离”归纳

最新推荐文章于 2024-08-13 10:03:08 发布
原创 最新推荐文章于 2024-08-13 10:03:08 发布 · 2.9k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习

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']

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
生成模型评价指标：FID（Fréchet Inception Distance）和 1-NFE（One Neural Function Evaluation）
u013250861的博客
10-02 133
NFE（Neural Function Evaluations）常用于衡量生成模型。
【机器学习|学习笔记】 机器学习中的分类器指的是什么？附一个完整机器学习项目的流程
最新发布
2401_89898861的博客
09-06 1455
【机器学习|学习笔记】 机器学习中的分类器指的是什么？附一个完整机器学习项目的流程
机器学习中常用的距离计算
01-13
距离度量 —— 闵可夫斯基距离(Minkowski Distance)
繁依Fanyi的博客
06-19 3万+
闵可夫斯基距离 (Minkowski Distance)，也被称为 闵氏距离。它不仅仅是一种距离，而是将多个距离公式（曼哈顿距离、欧式距离、切比雪夫距离）总结成为的一个公式。首先假设两个 n 维变量 A(x11,x12,...,x1n)A(x_{11},x_{12},...,x_{1n})A(x11​,x12​,...,x1n​) 与 B(x21,x22,...,x2n)B(x_{21},x_{22},...,x_{2n})B(x21​,x22​,...,x2n​)。对于这两个 n 维变量，则有闵氏距离公式
机器学习---常见的距离公式（欧氏距离、曼哈顿距离、标准化欧式距离、余弦距离、杰卡德距离、马氏距离、切比雪夫距离、闵可夫斯基距离、K-L散度）
weixin_43961909的博客
08-20 5万+
欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空。间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。的欧氏距离就是两点之间的实际距离。
机器学习中的相似性度量
hit_kongquan的专栏
03-25 8585
<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
机器学习总结之——各种距离汇总
机器学习&数据挖掘
09-25 6422
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...
《机器学习by周志华》学习笔记-线性模型-01基本形式与线性回归
vanilla698的博客
04-11 1047
给定由d个属性描述的示例x：其中每个属性的权重：其中xi是x在第i个属性上的值，线性模型试图学习一个通过属性线性作何来预测的函数，即：用向量形式写成：当w和b的参数学得之后，模型就可以确定。也叫「可理解性」
机器学习笔记九：K近邻算法（KNN）
谢小小XH
03-18 7147
KNN原理和实战
【机器学习西瓜书学习笔记——半监督学习】
m0_51148715的博客
08-13 980
SVM。
机器学习中几种距离
Frank-Li的博客
05-09 1061
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。
机器学习中常用的距离简介
jp_666的博客
12-19 867
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：      
机器学习中常见距离计算
weixin_42267862的博客
01-04 604
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 1189
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。
机器学习中五种常见的计算距离的方法
Guoguounique的博客
04-21 775
在机器学习中，我们常常需要计算不同点之间的距离。
机器学习 相似程度 曼哈顿距离
FabioPLA的博客
08-09 1383
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
闵可夫斯基距离(MinkowskiDistance)
jiangjiane
08-24 1万+
闵可夫斯基距离(MinkowskiDistance) 闵氏距离不是一种距离，而是一组距离的定义。 (1)闵氏距离的定义        两个n维变量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的闵可夫斯基距离定义为：  其中p是一个变参数。 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       
几种常见的距离计算公式
热门推荐
I‘m Frank Lee
10-20 5万+
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...
明氏距离
u013093930的博客
11-25 1万+
明氏距离： 明可夫斯基距离（Minkowski Distance）的简称，也被称为闵氏距离。定义的并不是一种距离，而是一组距离。 定义：两个n维变量与间的明氏距离定义为：             ，其中p是一个变参数。 当p=1时，明氏距离即为曼哈顿距离； 当p=2时，明氏距离即为欧氏距离； 当时，明氏距离即为切比雪夫距离。 曼哈顿距离： Manhattan Distance，又叫
吴恩达机器学习笔记：斯坦福大学2014年机器学习课程学习笔记
吴恩达机器学习个人笔记完整版 吴恩达机器学习个人笔记完整版是根据斯坦福大学2014年机器学习课程视频所做的笔记，主要记录吴恩达老师上课时的重点。该笔记对机器学习的基本概念、模型、算法和应用进行了详细的介绍...
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