L0 norm、L1 norm、L2 norm(L0、L1、L2范数)
2016-12-04 22:25
776 查看
转载:
欧氏距离(Euclidean distance)也称欧几里得度量、欧几里得度量,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离的就是两点之间的距离。
ρ = sqrt( (x1-x2)^2+(y1-y2)^2 )
三维的公式
ρ = sqrt( (x1-x2)^2+(y1-y2)^2+(z1-z2)^2 )
n维空间的公式
n维欧氏空间是一个点集,它的每个点 X 可以表示为 (x[1],x[2],…,x
) ,其中 x[i](i = 1,2,…,n) 是实数,称为 X 的第i个坐标,两个点 A = (a[1],a[2],…,a
) 和 B = (b[1],b[2],…,b
) 之间的距离 ρ(A,B) 定义为下面的公式。
ρ(A,B) =sqrt [ ∑( a[i] - b[i] )^2 ] (i = 1,2,…,n)
1范数就是绝对值的和
L0范数是指向量中非0的元素的个数
L1范数是指向量中各个元素绝对值之和,也有个美称叫“稀疏规则算子”(Lasso regularization)。
L2范数: ||W||2。它也不逊于L1范数,它有两个美称,在回归里面,有人把有它的回归叫“岭回归”(Ridge Regression),有人也叫它“权值衰减weight decay”。
2)优化计算的角度:
L2 norm就是欧几里德距离
欧氏距离(Euclidean distance)也称欧几里得度量、欧几里得度量,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离的就是两点之间的距离。
计算公式
二维的公式ρ = sqrt( (x1-x2)^2+(y1-y2)^2 )
三维的公式
ρ = sqrt( (x1-x2)^2+(y1-y2)^2+(z1-z2)^2 )
n维空间的公式
n维欧氏空间是一个点集,它的每个点 X 可以表示为 (x[1],x[2],…,x
) ,其中 x[i](i = 1,2,…,n) 是实数,称为 X 的第i个坐标,两个点 A = (a[1],a[2],…,a
) 和 B = (b[1],b[2],…,b
) 之间的距离 ρ(A,B) 定义为下面的公式。
ρ(A,B) =sqrt [ ∑( a[i] - b[i] )^2 ] (i = 1,2,…,n)
Lp space
p范数:║x║p=(|x1|^p+|x2|^p+…+|xn|^p)^{1/p}1范数就是绝对值的和
L0范数是指向量中非0的元素的个数
L1范数是指向量中各个元素绝对值之和,也有个美称叫“稀疏规则算子”(Lasso regularization)。
L2范数: ||W||2。它也不逊于L1范数,它有两个美称,在回归里面,有人把有它的回归叫“岭回归”(Ridge Regression),有人也叫它“权值衰减weight decay”。
L2范数的好处
1)学习理论的角度:从学习理论的角度来说,L2范数可以防止过拟合,提升模型的泛化能力。
2)优化计算的角度:
从优化或者数值计算的角度来说,L2范数有助于处理 condition number不好的情况下矩阵求逆很困难的问题。
重点内容
L1 norm就是绝对值相加,又称曼哈顿距离L2 norm就是欧几里德距离
相关文章推荐
- 矩阵的frobenius范数及其求偏导法则
- 向量范数、矩阵范数
- 数值分析中的一范数求解
- 范数
- 凸优化中的数学(二)范数,距离,单位球
- 范数
- 凸优化预备知识之范数
- 范数的直觉性理解
- l0-Norm, l1-Norm, l2-Norm, … , l-infinity Norm
- 2.5 范数
- 线性代数(三十七) :欧几里得结构-标量积与余弦定理
- 线性代数(四十五) : 线性映射的范数
- 浅谈L0,L1,L2范数及其应用
- 关于机器学习中的矩阵范数问题
- 范数
- 机器学习中的范数规则化之(一)L0、L1与L2范数
- 什么是范数-学习
- 关于稀疏自编码-------“搞基”总结
- 理解数学空间,从距离到希尔伯特空间
- L0,L1范数详解