机器学习中常用的几种距离
·
1、L1距离
2、L2距离
L1距离
L1距离,也称为曼哈顿距离(Manhattan Distance)或城市街区距离(City Block Distance),是一种度量两个点在标准坐标系上的绝对轴距总和的距离度量方法。在二维空间中,如果我们有两个点 P=(p1,p2)P=(p1,p2) 和 Q=(q1,q2)Q=(q1,q2),那么它们之间的L1距离计算公式为:
![]()
在更高维空间中,L1距离的计算公式可以推广为:
![]()
其中,n 是维度的数量,pi 和 qi分别是点 P和 Q在第 i 维上的坐标。
L2距离
L2距离,也称为欧几里得距离(Euclidean Distance),是度量两点在欧几里得空间中直线距离的一种方法。它是最直观的距离度量方式,因为我们在日常生活中通常就是用这种方式来衡量两点之间的距离。
在二维空间中,如果我们有两个点 P=(p1,p2)P=(p1,p2) 和 Q=(q1,q2)Q=(q1,q2),那么它们之间的L2距离计算公式为:
![]()
在更高维空间中,L2距离的计算公式可以推广为:
![]()
其中,n 是维度的数量,pi 和 qi 分别是点 P 和 Q 在第 i 维上的坐标。
魔乐社区(Modelers.cn) 是一个中立、公益的人工智能社区,提供人工智能工具、模型、数据的托管、展示与应用协同服务,为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作,由全产业链共同建设、共同运营、共同享有,推动国产AI生态繁荣发展。
更多推荐


所有评论(0)