范数：定义、类型及应用 - 机器学习基础

范数是一种将向量或矩阵映射到非负实数的函数，表示向量或矩阵的大小或长度。在数学和机器学习中，常用的范数包括欧几里得范数、曼哈顿范数、最大值范数等。

欧几里得范数：也称为L2范数，是向量各元素平方和的平方根，用于计算向量的大小。

曼哈顿范数：也称为L1范数，是向量各元素绝对值的总和，用于衡量向量元素之间的距离。

最大值范数：也称为L∞范数，是向量中元素绝对值的最大值，用于衡量向量中最大元素的大小。

范数在算法中通常用于计算损失函数、正则化、优化等。

损失函数：用于衡量模型预测值与真实值之间的差距。

正则化：用于防止模型过拟合，通过限制模型参数的大小来提高泛化能力。

优化：用于找到模型参数的最佳组合，使损失函数最小化。

了解范数的概念及其应用是理解机器学习算法的关键。