还可以使用搜索词 l1 norm、l1 distance、absolute deviance 等，所有这些都与曼哈顿距离相同。

l1-范数（曼哈顿距离）的性质很大程度上可以从它的形状推导出来（即它是V形而不是像l2-范数（欧几里得距离）的抛物线那样的U形。l1-范数可以说是与 l2 范数相比，对异常值不太敏感，对小规模行为更敏感。

即它会倾向于“将事物推向零”，专注于小规模行为，因为它不会像抛物线那样在零附近变平。它对大距离也不太敏感，因为斜率不会随着与原点的距离而增加。这可能会导致模型非常/精确地拟合部分数据，但会忽略一些不适合其余数据的维度或案例。

我怀疑这些属性解释了它在您所看到的数据集上的性能。即在这个分类问题中，最好在几个维度上进行精确/出色的匹配，而错过一些其他维度，然后在所有维度上做得相当好。

这些原因也解释了为什么 l1 范数经常用于稳健回归（它将忽略异常值）或作为 lasso 算法中的惩罚（它将一些系数驱动为零，从而产生更简单的模型）。