其他機器學習系列文章見於專題:機器學習進階之路——學習筆記整理,歡迎大家關注。
設特徵空間χ是n維實數向量空間Rn,xi,xj∈χ,xi=(xi(1),xi(2),⋯,xi(n))T,xj=(xj(1),xj(2),⋯,xj(n))T。
1. 閔可夫斯基距離(Minkowski distance,Lp距離)
xi,xj的Lp距離定義爲:
Lp(xi,xj)=(l=1∑n∣∣∣xi(l)−xj(l)∣∣∣p)p1
其中,p≥1。
2. 曼哈頓距離(Manhattan distance)
當p=1時,Lp距離就變成了曼哈頓距離:
L1(xi,xj)=l=1∑n∣∣∣xi(l)−xj(l)∣∣∣
3. 歐式距離(Euclidean distance)
當p=2,Lp距離就變成了歐幾里得距離:
L2(xi,xj)=(l=1∑n∣∣∣xi(l)−xj(l)∣∣∣2)21
4. 切比雪夫距離(Chebyshev distance)
當p=∞,Lp距離就變成了切比雪夫距離,它是各個座標距離的最大值:
L∞(xi,xj)=lmax∣∣∣xi(l)−xj(l)∣∣∣
參考文獻:
- 《統計學習方法》第三章k近鄰模型——李航