Mahalanobis距离是由P. C. Mahalanobis提出的，用于衡量两个未知样本集在考虑特征间联系情况下的相似度。与欧氏距离不同，它考虑了特征值的权重，通过样本协方差矩阵进行计算。当协方差矩阵为单位矩阵时，Mahalanobis距离等同于欧氏距离。该方法在处理不同特征权重时具有优势。
由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与传统的欧式距离不同的是它考虑到各种特性之间的联系。
在n维空间内的两个点x、y（都是n维的向量），它们之间的欧氏距离定义为：对应每维度下差值的平方求和后再求根号1/2，distance = sqrt((x1-x2)(y1-y2)(z1-z2)...)
其实这里n维空间内的每个点就是一个关于n个特征值的样本，欧氏距离没有考虑到不同特征值之间的权重、影响度，我们需要对不同的特征值x、y、z进行一个权重赋值，下面介绍Mahalanobis距离。
Mahalanobis距离的计算如下（考虑了不同特征值的对整体距离的影响）
最低0.47元/天 解锁文章
586
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
