跳转到主要内容

机器学习：超参数的选择，余弦距离vs欧式距离vs曼哈顿距离

由 demi 提交于

<font size="4" style="line-height: 50px;"><strong>一、超参数选择</strong></font>

Grid Search
<ul><li>网格搜索</li>
<li>在高维空间中对一定区域进行遍历</li></ul>

Random Search
<ul><li>在高维空间中随机选择若干超参数</li></ul>

<font size="4" style="line-height: 50px;"><strong>二、余弦相似度（Cos距离）与欧氏距离的区别和联系</strong></font>

<ul><li>欧式距离和余弦相似度都能度量 2 个向量之间的相似度</li>
<li>放到向量空间中看，欧式距离衡量两点之间的直线距离，而余弦相似度计算的是两个向量之间的夹角</li>
<li>没有归一化时，欧式距离的范围是 (0, +∞]，而余弦相似度的范围是 (0, 1]；余弦距离是计算相似程度，而欧氏距离计算的是相同程度（对应值的相同程度）</li>
<li>归一化的情况下，可以将空间想象成一个超球面（三维），欧氏距离就是球面上两点的直线距离，而向量余弦值等价于两点的球面距离，本质是一样。</li></ul>

<font size="4" style="line-height: 50px;"><strong>三、欧式距离vs曼哈顿距离</strong></font>

欧式距离L2 ：<img src="http://imgtec.eetrend.com/files/2019-02/%E5%8D%9A%E5%AE%A2/100017630-59…; alt=""><br>

欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量量纲）之间的差别等同看待，这一点有时不能满足实际要求。例如，在教育研究中，经常遇到对人的分析和判别，个体的不同属性对于区分个体有着不同的重要性。因此，欧氏距离适用于向量各分量的度量标准统一的情况

曼哈顿距离L1 ：<img src="http://imgtec.eetrend.com/files/2019-02/%E5%8D%9A%E5%AE%A2/100017630-59…; alt=""><br>

曼哈顿距离依赖座标系统的转度，而非系统在座标轴上的平移或映射。当坐标轴变动时，点间的距离就会不同

本文转自：CSDN - <a href="https://blog.csdn.net/weixin_41108334">LinLin_coder</a&gt;，转载此文目的在于传递更多信息，版权归原作者所有。
原文链接：https://blog.csdn.net/weixin_41108334/article/details/86499552