L1距离计算示例

机器学习领域,距离度量是衡量样本之间相似度的重要工具。L1距离,也称为曼哈顿距离,是一种常见的距离度量方式,它通过计算两点在标准坐标系上的绝对轴距总和来确定距离。这种距离度量在许多应用中都非常有用,例如聚类分析和异常值检测。

在Python的sklearn库中,可以使用manhattan_distances函数来计算两个样本集之间的L1距离。这个函数接受两个参数:X和Y,它们可以是数组或稀疏矩阵,其中每一行代表一个样本,每一列代表一个特征。如果Y没有被指定,那么函数会默认使用X作为Y的值。函数返回一个数组,其中包含了X和Y中每一对样本之间的L1距离。

下面是一个使用manhattan_distances函数的简单示例。首先,需要从sklearn.metrics.pairwise模块导入这个函数。然后,可以创建两个样本集X和Y,并使用这个函数来计算它们之间的L1距离。


from sklearn.metrics.pairwise import manhattan_distances

# 定义样本集X和Y
X = [[3]]
Y = [[3]]

# 计算L1距离
distances = manhattan_distances(X, Y)
print(distances)  # 输出: [[0.]]

在这个例子中,定义了两个样本集X和Y,它们都只包含一个样本,且特征值相同。因此,它们之间的L1距离为0。接下来,可以尝试不同的样本集来看看L1距离是如何变化的。


# 定义不同的样本集X和Y
X = [[3]]
Y = [[2]]

# 计算L1距离
distances = manhattan_distances(X, Y)
print(distances)  # 输出: [[1.]]

在这个例子中,改变了样本集Y的特征值,因此X和Y之间的L1距离为1。这说明L1距离能够敏感地捕捉到样本之间的差异。

还可以同时计算多个样本之间的L1距离。例如,如果有两个样本集X和Y,每个样本集都包含两个样本,可以这样做:


# 定义包含多个样本的X和Y
X = [[1, 2], [3, 4]]
Y = [[1, 2], [0, 3]]

# 计算L1距离
distances = manhattan_distances(X, Y)
print(distances)  # 输出: [[0., 2.], [4., 4.]]

在这个例子中,计算了X和Y中每一对样本之间的L1距离。第一行的0表示X中的第一个样本与Y中的第一个样本之间的距离为0,因为它们的特征值完全相同。而第一行的2表示X中的第一个样本与Y中的第二个样本之间的距离为2,因为它们的特征值之差的绝对值之和为2。

通过这些示例,可以看到manhattan_distances函数是一个非常有用的工具,可以帮助在机器学习任务中计算样本之间的L1距离。这种距离度量方式在许多应用中都非常有用,例如聚类分析、异常值检测和推荐系统。

需要注意的是,当X和/或Y是CSR稀疏矩阵且它们尚未处于规范格式时,这个函数会就地修改它们以使它们成为规范格式。这意味着在某些情况下,原始的X和Y可能会被改变。因此,如果需要保留原始数据,可能需要在调用这个函数之前创建X和Y的副本。

沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485