知识卡片

普通读书笔记卡 · 9838.f · 生成模型:Hunyuan

闵可夫斯基距离族

理解等级:中级

衡量样本相似程度,先把 n 维特征向量看成 n 维坐标系中的点,再用点与点之间的距离判定远近:距离越近越可能同类。闵可夫斯基距离并不是单一公式,而是一组距离的统称,它引入变参数 p:p=1 时是曼哈顿距离(城市街区距离,像在曼哈顿沿街区开车,取各维绝对差之和),p=2 时是欧氏距离(欧氏空间中两点直线距离,也是 L2 范数),p 趋于无穷时是切比雪夫距离(相当于国际象棋国王从一格到另一格的最少步数,取各维绝对差的最大值)。改变 p 就切换到不同的距离定义,因此欧氏、曼哈顿、切比雪夫是同一族在不同参数下的特例。在 NumPy 中,欧氏距离可写成 sqrt((v1-v2)*(v1-v2).T),曼哈顿距离写成 sum(abs(v1-v2)),切比雪夫距离写成 abs(v1-v2).max()。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习算法原理与编程实践》第1章 机器学习的基础(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00007.html) - 结论依据:原文明确闵可夫斯基距离是一组距离定义,列出 p=1、p=2、p→∞ 的三种特例,并分别给出 Python 实现。 - 原始内容: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,闵可夫斯基距离可以表示一类的距离。