L1distance和L2distance区别

最新推荐文章于 2023-03-04 21:27:59 发布
原创 最新推荐文章于 2023-03-04 21:27:59 发布 · 7.7k 阅读 · 7 ·
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

L1distance和L2distance区别：
L1distance即曼哈顿，即城市距离，各维度距离之和
L2distance即欧式距离，两点间直线距离
参考cs231n课程的一幅图，图上方形和圆形上的点都有相同距离。
在这里插入图片描述

人工智能-范数 norm：L1范数和L2范数【L0范数：向量中非0的元素的个数； L1范数：向量各元素的绝对值之和（曼哈顿距离）；L2范数：向量各元素的平方和的开方值（欧氏距离）】
u013250861的博客
10-23 1072
范数是衡量某个向量空间(或矩阵)中的每个向量的长度或大小。 ∥x∥p:=(∑i=1n∣xi∣p)1p\left \| x\right \|_p := \left( \sum_{i=1}^{n}\left|x_i\right|^p\right)^{\frac{1}{p}}∥x∥p​:=(i=1∑n​∣xi​∣p)p1​ L0范数：向量中非0的元素的个数。 L0 范数是 ∣∣x∣∣0=xi(xi不等于0)代表非0数字的个数||\textbf{x}||_0 = x_i (x_i不等于0)代表非0数字的个数∣∣x∣
机器学习中的 L1,L2 loss分别是什么
大西瓜不甜的博客
04-21 4962
一、常见的MSE、MAE损失函数 1.1 均方误差、平方损失 均方误差（MSE）是回归损失函数中最常用的误差，它是预测值与目标值之间差值的平方和，其公式如下所示： 下图是均方根误差值的曲线分布，其中最小值为预测值为目标值的位置。 优点：各点都连续光滑，方便求导，具有较为稳定的解 缺点：不是特别的稳健，为什么？因为当函数的输入值距离中心值较远的时候，使用梯度下降法求解的时候梯度很大，可能...
数据挖掘——聚类分析之相似系数
shy-2的博客
05-15 6769
本文介绍的是数据挖掘技术中的聚类分析 聚类分析（重点是相似系数）聚类的概念和应用什么是聚类聚类的应用数据类型分类型数值型数值型和分类型的相互转化数据的标准化（正规化）相似度量相似度量方法分类距离度量方法相似系数度量匹配系数——ExampleJaccard 系数和简单匹配系数的差别聚类方法的分类 聚类的概念和应用 什么是聚类 聚类分析 依据对象自身的相似性把一组对象划分成一系列有意义的子集的过程 最大的组内相似性:同一聚类中的对象尽可能地相似 最小的组间相似性:不同聚类中的对象尽可能地不同 聚类: 对象.
马氏距离详解（数学原理、适用场景、应用示例代码）
热门推荐
人工智能算法与工程实践
04-23 5万+
看了很多关于马氏距离（Mahalanobis Distance）的介绍，但是总感觉有一些地方不太清晰，所以结合数学公式、机器学习中的应用案例，从头梳理一下。马氏距离实际上是欧氏距离在多变量下的“加强版”，用于测量点（向量）与分布之间的距离。
详解马氏距离中的协方差矩阵计算（超详细）
Polaris的博客
10-08 1万+
一、概率统计基本知识 1.样本均值 样本均值（Mean）是在总体中的样本数据的平均值。 2.样本方差 方差（Variance）是度量一组数据的离散（波动）程度。方差是各个样本与样本均值的差的平方和的均值，分母除以n-1是为了满足无偏估计： 3.样本标准差 4.协方差 协方差（Covariance）是度量两个变量的变动的同步程度，也就是度量两个变量线性相关性程度。若协方差大于0，表示一个变量增大时另一个变量也会增大，即两个变量呈正相关；若协方差小于0，表示一个变量增大时另一个变量会减小，即两个变量呈负相关
无向图中两点之间的距离_理解向量空间变化：马氏距离
weixin_39601194的博客
11-28 501
理解前提：侠肝义胆陈浩天：理解向量空间变化：(半)正定矩阵​zhuanlan.zhihu.com侠肝义胆陈浩天：理解向量空间变化：PCA​zhuanlan.zhihu.com马氏距离的目的就是为了解决不同维度之间的方差(covariance)与相关性(correlation). 复习一下相关定义：covariance: ,均值 就是期望的无偏估计；correlation: Mahalanobi...
马氏距离计算实例_ECCV 2020 Oral | 沈春华团队新作，将条件卷积引入实例分割
weixin_39955355的博客
12-03 301
本文解读的是ECCV 2020 Oral 论文《Conditional Convolutions for Instance Segmentation》，是沈春华团队在实例分割领域的又一力作。本论文解读首发于“AI算法修炼营”。作者 | SFXiang编辑 | 丛 末论文地址：https://arxiv.org/pdf/2003.05664.pdf代码地址(非官方)：https://github.c...
精选资源
包含一些常用的修复图像质量指标（例如，L1、L2、SSIM、PSNR和LPIPS）.zip
03-21
2. **L2距离**（Euclidean Distance）：L2距离是L1距离的平方，即欧几里得距离，考虑了像素差异的平方和。在某些情况下，L2距离可能比L1距离更能反映出人眼对图像差异的敏感度。 3. **结构相似性指数(SSIM)**：SSIM...
L2 norm L1 norm
maxiemei的专栏
11-25 1589
L2 norm L1 norm什么意思 L2 norm就是欧几里德距离 L1 norm就是绝对值相加，又称曼哈顿距离  搞统计的人总是喜欢搞什么“变量选择”，变量选择实际上的 限制条件是L0 Norm，但这玩艺不好整，于是就转而求L1 Norm(使用均方误差，就是Lasso ,当然在Lasso出来之前搞信号处理的就有过类似的工作),Bishop在书里对着RVM好一通 吹牛，其实RVM只是隐含着去
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 6381
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
ArcGIS教程：了解欧氏距离分析
10-20
欧氏距离工具根据直线距离描述每个像元与一个源或一组源的关系。
Python实现的计算马氏距离算法示例
09-20
主要介绍了Python实现的计算马氏距离算法,简单说明了马氏距离算法原理,并结合实例形式分析了Python实现与使用马氏距离算法的相关操作技巧,需要的朋友可以参考下
MATLAB 距离计算
while(true);
10-27 5180
判别分析时，通常涉及到计算两个样本之间的距离，多元统计学理论中有多种距离计算公式。MATLAB中已有对应函数，可方便直接调用计算。距离函数有：pdist, pdist2, mahal, squareform, mdscale, cmdscale  主要介绍pdist2 ,其它可参考matlab help   D = pdist2(X,Y) D = pdist2(X,Y,dist
XJOI1.2 曼哈顿距离c++
xrx0128的博客
01-23 926
xjoi题目解答
雷达最大不模糊速度_雷达基础知识：案例计算
weixin_36349918的博客
01-08 2344
由于下面案例较基础，直接给出计算公式并代入数据得到答案，若有疑问可留言告知。由于公式无法直接放入文章，因此以图片形式给出，铁杆会员可下载WORD可编辑版，其中公式用Mathtype编辑，图片用Visio编辑，可自行编辑。案例一：假设一部低PRF雷达的脉冲重复频率PRF=10kHz，辐射的峰值功率为Pt=10kW，占空比duty=20%。1，计算平均发射功率，脉冲重复间隔，脉冲宽度，在20ms内的辐...
马氏距离计算实例_(CVPR20'Oral) PolarMask: 一阶段实例分割新思路
weixin_39628063的博客
11-30 183
今天介绍一下我们的PolarMask, 一种single shot的实例分割框架，文章在https://arxiv.org/abs/1909.13226, 代码已经开源，在https://github.com/xieenze/PolarMask。欢迎大家多多指教。PolarMask基于FCOS，把实例分割统一到了FCN的框架下。在4月份FCOS挂出来之后，我和沈老师就一直在讨论如何进把instan...
CCF NOI1062. 计算曼哈顿距离 (C++)
jiafengfu的优快云博客
12-13 6547
1062. 计算曼哈顿距离 题目描述 给出平面上两个点的坐标(x1,y1),(x2,y2)，求两点之间的曼哈顿距离。曼哈顿距离=|x1-x2|+|y1-y2|。 输入 一行四个空格隔开的实数，分别表示x1,y1,x2,y2。 输出 输出一个实数表示曼哈顿距离，保留三位小数。 样例输入 输出一个实数表示曼哈顿距离，保留三位小数。 样例输出 3.600 数据范围限制 -10000<=x1,y1,...
马氏距离 java实现_Python怎么实现马氏距离
weixin_42515622的博客
02-28 550
这次给大家带来Python怎么实现马氏距离，Python实现马氏距离算法的注意事项有哪些，下面就是实战案例，一起来看一下。本文实例讲述了Python实现的计算马氏距离算法。分享给大家供大家参考，具体如下：我给写成函数调用了python实现马氏距离源代码：# encoding: utf-8from future import pisionimport sysreload(sys)sys.setdef...
L1全局敏感度和L2全局敏感度公式为什么
最新发布
04-28
### 差分隐私中 L1 和 L2 全局敏感度的定义与区别 #### 定义 在差分隐私领域，全局敏感度（Global Sensitivity, GS）用于量化两个相邻数据集之间的最大差异。对于目标函数 $ f : D \to R^d $ ，其中 $ D $ 是数据集集合，$ R^d $ 是 d 维实数空间，L1 和 L2 全局敏感度分别定义如下： - **L1 全局敏感度 (GS$_{L1}$)** L1 全局敏感度衡量的是两个相邻数据集 $ D $ 和 $ D' $ 在目标函数 $ f $ 下的结果向量间的曼哈顿距离的最大值： \[ GS_{L1}(f) = \max_{D,D'} \|f(D) - f(D')\|_1, \] 其中 $\|v\|_1 = \sum_{i=1}^{d}|v_i|$ 表示向量 $ v $ 的 L1 范数[^1]。 - **L2 全局敏感度 (GS$_{L2}$)** L2 全局敏感度则衡量欧几里得距离的最大值： \[ GS_{L2}(f) = \max_{D,D'} \|f(D) - f(D')\|_2, \] 其中 $\|v\|_2 = \sqrt{\sum_{i=1}^{d}v_i^2}$ 表示向量 $ v $ 的 L2 范数[^2]。 --- #### 区别分析 1. **计算方式的不同** - L1 敏感度基于绝对值之和进行计算，因此更适合描述稀疏数据的变化情况。即使某些维度上的变化较大，只要其余维度变化较小，整体的影响会被削弱。 - L2 敏感度基于平方根和的方式计算，更加注重各维度综合效应。当某单一维度发生显著变化时，其对总敏感度的影响会更大。 2. **应用场合的区别** 高斯机制相较于拉普拉斯机制的优势在于支持更低的噪声水平，这得益于它可以灵活选择使用 L1 或 L2 灵敏度。具体来说： - 如果目标函数 $ f $ 的输出分布在低维空间且较为集中，则 L2 灵敏度通常较低，此时高斯机制能有效减少噪声幅度； - 对于高维稀疏数据而言，由于 L1 灵敏度更能体现真实误差边界，故仍推荐优先选用拉普拉斯机制或针对具体情况优化后的混合策略[^3]。 3. **理论基础的原因** 数学上讲，L1 和 L2 距离反映了不同的几何结构特征。前者对应于城市街区模型（Manhattan Distance），后者关联球形区域划分（Euclidean Distance）。这种本质差异决定了两者适应不同类型问题的能力有所侧重。 --- ### 总结 综上可知，在设计满足差分隐私要求的具体实施方案时，应当根据实际需求权衡选取恰当的灵敏度测度标准——即要么倾向于保守估计以保障充分安全性（如采用较高者作为上限约束条件下的统一处理办法），要么深入剖析业务逻辑特点后定制精细化解决方案。 ```python import numpy as np def l1_global_sensitivity(f_D, f_D_prime): """Calculate the L1 Global Sensitivity between two function outputs.""" return np.sum(np.abs(f_D - f_D_prime)) def l2_global_sensitivity(f_D, f_D_prime): """Calculate the L2 Global Sensitivity between two function outputs.""" return np.sqrt(np.sum((f_D - f_D_prime)**2)) ``` 上述代码提供了简单的 Python 函数来计算两组数据对应的 L1 和 L2 全局敏感度。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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