https://yindongliang.com/docs/Algorithms/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/Recent content in 学习资料 on LYon's BlogHugozh-cnhttps://yindongliang.com/docs/Algorithms/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/%E9%9B%86%E4%BD%93%E6%99%BA%E6%85%A7%E7%BC%96%E7%A8%8B/Mon, 18 Mar 2024 00:00:00 +0000https://yindongliang.com/docs/Algorithms/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/%E9%9B%86%E4%BD%93%E6%99%BA%E6%85%A7%E7%BC%96%E7%A8%8B/<h2 id="第一章提供推荐">第一章：提供推荐<a class="anchor" href="#%e7%ac%ac%e4%b8%80%e7%ab%a0%e6%8f%90%e4%be%9b%e6%8e%a8%e8%8d%90">#</a></h2> <h3 id="欧几里得距离">欧几里得距离<a class="anchor" href="#%e6%ac%a7%e5%87%a0%e9%87%8c%e5%be%97%e8%b7%9d%e7%a6%bb">#</a></h3> <p>欧氏距离是平方和的开方，欧氏距离越小，则两个向量的相似度越大（有时也说距离越近）。</p> <p>$$d = \sqrt{(x_1 - x_2)^2 + (y_1 - y_2)^2}$$</p> <p>对于两个 n 维向量 $\mathbf{A} = (a_1, a_2, &hellip;, a_n)$ 和 $\mathbf{B} = (b_1, b_2, &hellip;, b_n)$，它们之间的欧氏距离 $d$ 可以表示为：</p>https://yindongliang.com/docs/Algorithms/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/%E5%91%A8%E5%BF%97%E5%8D%8E%E8%A5%BF%E7%93%9C%E4%B9%A6/Wed, 20 Mar 2024 00:00:00 +0000https://yindongliang.com/docs/Algorithms/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99/%E5%91%A8%E5%BF%97%E5%8D%8E%E8%A5%BF%E7%93%9C%E4%B9%A6/<p><a href="https://www.bilibili.com/video/BV1gG411f7zX/?share_source=copy_web&amp;vd_source=fe111319444213c0651c9b0de9740974">周志华老师亲讲-西瓜书《机器学习》</a></p> <p>手推笔记<br> <a href="https://github.com/Sophia-11/Machine-Learning-Notes">https://github.com/Sophia-11/Machine-Learning-Notes</a></p> <h2 id="基础概念">基础概念<a class="anchor" href="#%e5%9f%ba%e7%a1%80%e6%a6%82%e5%bf%b5">#</a></h2> <p><strong>真相（Ground Truth）</strong>：在机器学习和数据科学中，&ldquo;真相&quot;指的是实际情况或数据的真实状态。这通常是指标准答案或一个已知的事实，用于训练和验证机器学习模型。例如，在图像识别任务中，标记图像中对象的正确标签就是&quot;真相&rdquo;。</p>