Hellinger Distance

释义 Definition

Hellinger 距离（赫林格距离）：用于衡量两个概率分布（离散或连续）差异大小的一种距离度量。常见取值范围在 0 到 1 之间；越接近 0 表示分布越相似。它常用于统计学、信息论与机器学习（如分布对齐、生成模型评估、聚类与检验等）。

发音 Pronunciation (IPA)

/ˈhɛlɪŋər ˈdɪstəns/

例句 Examples

We used the Hellinger distance to compare the two distributions.
我们用赫林格距离来比较这两个分布。

Because it is symmetric and bounded, the Hellinger distance is often preferred over KL divergence when evaluating how closely a model matches the data distribution.
由于它对称且有上界，在评估模型与数据分布的贴合程度时，赫林格距离常常比 KL 散度更受青睐。

词源 Etymology

“Hellinger”来自奥地利数学家 Ernst Hellinger（恩斯特·赫林格） 的姓氏。该距离与他在泛函分析与测度相关研究的传统有关；在概率与统计中，赫林格距离可理解为对分布密度（或概率质量）取平方根后的差异进行度量，因此在理论推导与数值稳定性上常有良好性质。

相关词 Related Words

• Bhattacharyya Distance
• Total Variation Distance
• Kullback–Leibler Divergence
• Jensen–Shannon Divergence
• Wasserstein Distance
• F-Divergence

文学与著作中的用例 Literary Works

• Pattern Recognition and Machine Learning（Christopher M. Bishop）
• Machine Learning: A Probabilistic Perspective（Kevin P. Murphy）
• All of Statistics（Larry Wasserman）
• Information Theory, Inference, and Learning Algorithms（David J. C. MacKay）