向量范数
向量范数(Vector Norm)是数学中用来度量向量大小的一种工具。不同的范数对向量的各个分量进行不同的处理,从而反映向量在不同意义下的长度或大小。以下是一些常用的向量范数:
L1范数(Manhattan Norm):
定义:
描述:L1范数是向量各个分量绝对值之和。
应用:在稀疏表示、特征选择等领域中常用。
L2范数(Euclidean Norm):
定义:
描述:L2范数是向量各个分量平方和的平方根。
应用:在几何学和物理中,L2范数是最常用的度量向量长度的方式。
无穷范数(Infinity Norm):
定义:
描述:无穷范数是向量中分量绝对值的最大值。
应用:在优化和误差分析中常用。
p-范数:
定义:
描述:p-范数是向量各个分量绝对值的p次方和的1/p次方。
应用:可以根据不同的p值调整度量方式,p取不同值会得到不同的范数。
例子
设向量 ,以下是不同范数的计算示例:
对于向量:
L1范数:
L2范数:
无穷范数:
Python实现
可以使用NumPy库计算向量的不同范数:
import numpy as np
x = np.array([1, -2, 3])
# L1范数
l1_norm = np.linalg.norm(x, ord=1)
print("L1 Norm:", l1_norm)
# L2范数
l2_norm = np.linalg.norm(x, ord=2)
print("L2 Norm:", l2_norm)
# 无穷范数
inf_norm = np.linalg.norm(x, ord=np.inf)
print("Infinity Norm:", inf_norm)
# p-范数(例如p=3)
p = 3
p_norm = np.linalg.norm(x, ord=p)
print(f"L{p} Norm:", p_norm)
输出结果
L1 Norm: 6.0
L2 Norm: 3.7416573867739413
Infinity Norm: 3.0
L3 Norm: 3.3019272488946263
这些范数提供了度量向量大小的不同方式,根据具体应用场景的需求选择合适的范数来进行计算和分析。
Last updated