范数nums

函数和几何是数学的两大思维方法,函数图象连接了数与形。映射的概念将自变量扩展到多维度,通过量化映射对象并确定基,可以将事物转化为点。线性映射用矩阵表示,矩阵的范数揭示了向量长度的变化比例,体现了映射的性质。范数需满足非负性、其次性和三角不等式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    函数和几何是两种常用的数学思维方法,函数研究书,几何研究,两者交织在一起推动数学向更深成抽象的方向发展。
    函数图象联系了函数和几何,表达了两个数之间的变化关系,映射推广了函数的概念,使得自变量不再局限一个数或者一维,任何事物可以拿来被映射,维数可以是任何维。由于映射的对象可以是任何事物,为了便于研究映射的性质及数学表达式,我们需要对映射的对象进行量化,取定一组,确定事物在这组下的坐标,事物同构于我们所熟悉的集合空间的点,事物的映射可以理解为从一个空间的点到另一个空间的点的映射。而映射本身也是事物,自然也可以抽象为映射空间的点,这就是泛函中需要研究的对象--函数。
    从一个空间到另一个空间的线性映射可以通过矩阵来表达,矩阵被看做线性映射,线性映射的性质可以通过研究矩阵的性质来获得,比如矩阵的秩反映了线性映射值域空间的维数,可逆矩阵反映了线性映射的可逆,矩阵的范数反映了线性映射把一个向量映射为另一个向量,向量长度的缩放比例。

   
范数须满足非负性、其次性和三角不等式。




### 范数的概念 范数是用于衡量向量或矩阵大小的一种函数,具备非负性、齐次性和三角不等式的特性[^1]。具体来说: - **非负性**:对于任意非零向量 \( \mathbf{x} \),有 \( \| \mathbf{x} \| > 0 \);当且仅当 \( \mathbf{x} = 0 \) 时,\( \| \mathbf{x} \| = 0 \)。 - **齐次性**:对于任何实数 \( c \) 和向量 \( \mathbf{x} \),有 \( \| c\mathbf{x} \| = |c| \| \mathbf{x} \| \)。 - **三角不等式**:对于任意两个向量 \( \mathbf{x}, \mathbf{y} \),有 \( \| \mathbf{x} + \mathbf{y} \| \leq \| \mathbf{x} \| + \| \mathbf{y} \| \)。 常见的范数包括 L1 范数、L2 范数和无穷范数,在不同场景下各有优势。 ### 应用场景 #### 数学中的应用 在数学领域,尤其是线性代数中,范数用来度量空间内的距离或者长度。例如,计算两点之间的欧式距离实际上就是利用了 L2 范数的定义[^5]。 #### 机器学习中的应用 在机器学习方面,范数主要用于以下几个方向: - **特征选择**:通过引入特定类型的范数(如 L1),可以在训练过程中自动筛选出最重要的特征变量,从而简化模型并提高解释力。 - **参数正则化**:为了防止过拟合现象的发生,通常会在损失函数里加入由范数组成的惩罚项。其中,L1 正则化能够促使部分权重变为零,实现稀疏效果;而 L2 则有助于保持权值较小,使得预测更加稳定和平滑[^3]。 - **支持向量机 (SVM)** :作为一种经典的分类方法,SVM 的核心在于寻找最优超平面以最大化类别间隔。此时,采用适当形式的范数可以帮助构建更鲁棒的支持向量机模型。 此外,还有其他一些高级用途,比如作为优化问题的目标函数组成部分或是约束条件的一部分,这取决于具体的任务需求。 ```python import numpy as np def l1_norm(vector): """ 计算给定向量的L1范数值 """ return sum(abs(x) for x in vector) def l2_norm(vector): """ 计算给定向量的L2范数值 """ squared_sum = sum([abs(v)**2 for v in vector]) norm_value = np.sqrt(squared_sum) return norm_value ```
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