其余机器学习系列文章见于专题:机器学习进阶之路——学习笔记整理,欢迎你们关注。html
设特征空间
χ是
n维实数向量空间
Rn,
xi,xj∈χ,
xi=(xi(1),xi(2),⋯,xi(n))T,
xj=(xj(1),xj(2),⋯,xj(n))T。web
1. 闵可夫斯基距离(Minkowski distance,
Lp距离)
xi,xj的
Lp距离定义为:
Lp(xi,xj)=(i=1∑n∣∣∣xi(l)−xj(l)∣∣∣p)p1
其中,
p≥1。app
2. 曼哈顿距离(Manhattan distance)
当
p=1时,
Lp距离就变成了曼哈顿距离:
L1(xi,xj)=l=1∑n∣∣∣xi(l)−xj(l)∣∣∣机器学习
3. 欧式距离(Euclidean distance)
当
p=2,
Lp距离就变成了欧几里得距离:
L2(xi,xj)=(l=1∑n∣∣∣xi(l)−xj(l)∣∣∣2)21ide
4. 切比雪夫距离(Chebyshev distance)
当
p=∞,
Lp距离就变成了切比雪夫距离,它是各个坐标距离的最大值:
L∞(xi,xj)=lmax∣∣∣xi(l)−xj(l)∣∣∣svg
参考文献:学习
- 《统计学习方法》第三章k近邻模型——李航