马氏距离(Mahalanobis Distance)

最新推荐文章于 2024-05-17 10:20:21 发布
最新推荐文章于 2024-05-17 10:20:21 发布
阅读量2.4k 收藏 7
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33287871/article/details/108692769
版权
马氏距离是解决高维线性分布数据中各维度非独立同分布问题的距离度量。它修正了欧式距离的尺度不一致和相关性问题，通过主成分分析实现变量旋转和标准化。当数据已归一化但维度间不独立时，马氏距离能提供更准确的相似度判断，尤其在处理离群点和非独立分布时优于欧氏距离。然而，它要求协方差矩阵满秩，且仅适用于线性空间，无法处理非线性流形问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标，同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。
什么是马氏距离
马氏距离(Mahalanobis Distance)是一种距离的度量，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。

单个数据点的马氏距离
在这里插入图片描述
数据点x, y之间的马氏距离
在这里插入图片描述
其中Σ是多维随机变量的协方差矩阵，μ为样本均值，如果协方差矩阵是单位向量，也就是各维度独立同分布，马氏距离就变成了欧氏距离。

马氏距离实际意义
那么马氏距离就能能干什么？它比欧氏距离好在哪里？举几个栗子

欧式距离近就一定相似？
先举个比较常用的例子，身高和体重，这两个变量拥有不

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【DL经典回顾】距离度量大汇总（6-马氏距离(Mahalanobis Distance)）
悦学共鸣，温柔以待，汇聚光芒，共同成长
04-05 1992
马氏距离（Mahalanobis Distance）是由印度统计学家普拉萨德·查拉·马哈拉诺比斯（Prasanta Chandra Mahalanobis）提出的，用于度量一个点到一个分布或数据集中心的距离。
马氏距离（Mahalanobis Distance）介绍与实例
热门推荐
hustqb的博客
05-20 3万+
temp
马氏距离分类
10-12
基于c++的马氏距离算法代码，应用于对于遥感影像进行精准分类
距离度量之马氏距离
庞琳卓的博客
09-02 3万+
马氏距离 用来度量一个样本点Ｐ与数据分布为Ｄ的集合的距离。 假设样本点为： 数据集分布的均值为： 协方差矩阵为Ｓ。 则这个样本点Ｐ与数据集合的马氏距离为： 马氏距离也可以衡量两个来自同一分布的样本x和y的相似性： 当样本集合的协方差矩阵是单位矩阵时，即样本的各个维度上的方差均为１．马氏距离就等于欧式距离相等。 当协方差矩阵
马氏距离详解
xjb329859013的博客
11-03 3万+
马氏距离详解一、理性认知二、感性认知第一个例子第二个例子三、实例认知四、公式推导推导过程致谢 一、理性认知 马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重...
马氏距离
格物致知
07-05 2490
马氏距离用来度量一个样本点Ｐ与数据分布为Ｄ的集合的距离。 假设样本点为： 数据集分布的均值为：  协方差矩阵为Ｓ。则这个样本点Ｐ与数据集合的马氏距离为： 马氏距离也可以衡量两个来自同一分布的样本x和y的相似性： 当样本集合的协方差矩阵是单位矩阵时，即样本的各个维度上的方差均为１．马氏距离就等于欧式距离相等。 当协方差矩阵是对角矩阵时，即样本数据在各个维度上的方差可能不为１．此时， 可以看做是标准化...
MATLAB求马氏距离(Mahalanobis distance)
01-10 8749
MATLAB求马氏距离(Mahalanobis distance) 作者：凯鲁嘎吉 - 博客园http://www.cnblogs.com/kailugaji/ 1.马氏距离计算公式 d2(xi,xj)=(xi-xj)TS-1(xi-xj) 其中，S是总体的协方差矩阵，而不是样本的协方差矩阵。 2.matlab中现有的函数 >> x=[155 66;180...
马氏距离（Mahalanobis distance)
shuijinghua的博客
02-28 5687
假设空间中两个点x,y，定义 欧式距离（欧几里得距离） Mahalanobis距离 不难发现，如果去掉马氏距离中的协方差矩阵，就退化为欧氏距离。那么我们就需要探究这个多出来的因子究竟有什么含义。 1、当S为单位矩阵时，马氏距离就是欧式距离，可以把马氏距离看成是欧式距离的一种修正。修正了欧式距离中各个维度吃醋不一致且相关的问题。 计算两个样本间的距离时，需要考虑样本所在的分布造成的影响，影...
马氏距离(Mahalanobis Distance)与欧式距离
胭脂草的ABC博客
07-10 3757
马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标，同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。 什么是马氏距离 马氏距离(Mahalanobis Distance)是一种距离的度量，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。 单个数据点的马氏距离 数据点x, y之间的马氏距离 其中Σ是多维随机变量的协方差矩阵，μ为样本均
Mahalanobis距离的计算
围城
03-06 775
20210306 - 0.引言 通过scipy的距离库[1]，可以方便的计算向量空间中两个点的距离，例如欧式距离，cos距离等，使用方法可以见[2]。而这个函数cdist在计算该距离的时候，通过集中方法，结果上却稍有不同，在这里记录一下，主要研究在数据量比较大的时候如何计算，如果仅仅是两个点的距离，直接使用from scipy.spatial.distance import mahalanobis即可，这要是为什么要引入cdist的原因。 1. cdist 如果是使用cdist的话，使用方法跟欧式距离没有什
马氏距离(Mahalanobis distance)
weixin_30312563的博客
01-03 1131
转自：http://www.cnblogs.com/likai198981/p/3167928.html 转自：http://blog.csdn.net/luoleicn/article/details/6324266 以维基百科作为引用： 马氏距离是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...
马氏距离和欧式距离
u012374012的专栏
05-17 774
其中，xi和yi分别表示向量x和y的第i个元素，sqrt表示开平方，sum表示对所有元素进行求和操作。其中，'表示转置，S是两个向量的协方差矩阵，S^(-1)是协方差矩阵的逆矩阵。这个式子实际上是将两个向量先进行中心化处理（即每个元素减去自身的均值），然后再计算它们之间的欧式距离。马氏距离和欧式距离都是用来衡量两个向量之间的差异或相似程度的度量方式，但它们的计算方法和应用范围不同。在某些情况下，如果直接使用欧式距离可能会得到不准确或者误导性的结果，而采用马氏距离可能更加合适。
欧式距离和马氏距离的区别
古韦的专栏
07-30 1万+
二维空间的公式 0ρ = sqrt( (x1-x2)^2+(y1-y2)^2 )　|x| = √( x2 + y2 ) 三维空间的公式 0ρ = √( (x1-x2)2+(y1-y2)2+(z1-z2)2 )　|x| = √( x2 + y2 + z2 ) n维空间的公式 n维欧氏空间是一个点集,它的每个点 X 或向量 x 可以表示为 (x[1]，x[2]，…，x[n
距离度量：欧氏距离，余弦距离，KL散度，马氏距离（含python代码实现）
rosefun96的博客
07-29 1万+
1. 欧氏距离 绝对距离。 2. 余弦距离 角度。 归一化后的欧式距离和余弦距离关系： 参考： 欧氏距离和余弦相似度的区别是什么？
Mahalanobis distance
最新发布
03-26
### Mahalanobis 距离的概念 Mahalanobis 距离是一种用于衡量两个点之间差异的方法，它考虑了数据分布中的协方差结构。与欧几里得距离不同的是，Mahalanobis 距离能够捕捉到变量之间的相关性以及它们的变化程度[^3]。 具体来说，对于一个多维随机向量 \( \mathbf{x} = (x_1, x_2, ..., x_p)^T \)，其均值为 \( \boldsymbol{\mu} = (\mu_1, \mu_2, ..., \mu_p)^T \)，协方差矩阵为 \( \Sigma \)，那么任意一点 \( \mathbf{y} \) 到均值的距离可以定义为： \[ D_M(\mathbf{y}) = \sqrt{(\mathbf{y} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{y} - \boldsymbol{\mu})} \] 其中，\( D_M(\mathbf{y}) \) 表示点 \( \mathbf{y} \) 的 Mahalanobis 距离。这种度量方式特别适用于检测异常值（outliers），因为它不仅依赖于单个维度上的偏差，还综合考虑了多维空间内的相互关系[^4]。 ### 实现方法 以下是基于 Python 和 NumPy 库的一个简单实现例子： ```python import numpy as np def mahalanobis_distance(y, mu, sigma_inv): """ 计算给定点 y 对应的马氏距离。 参数: y: ndarray, 测试样本的数据点 mu: ndarray, 数据集的均值向量 sigma_inv: ndarray, 协方差矩阵的逆 返回: float, 马氏距离的结果 """ delta = y - mu m_dist = np.sqrt(np.dot(delta.T, np.dot(sigma_inv, delta))) return m_dist # 示例数据 data = np.array([[1, 2], [3, 4], [5, 6]]) point_to_test = np.array([7, 8]) # 计算均值和协方差矩阵及其逆 mean_vector = np.mean(data, axis=0) cov_matrix = np.cov(data, rowvar=False) inv_cov_matrix = np.linalg.inv(cov_matrix) # 使用函数计算马氏距离 distance_result = mahalanobis_distance(point_to_test, mean_vector, inv_cov_matrix) print(f"The Mahalanobis Distance is {distance_result}") ``` 上述代码展示了如何利用已知数据集来估计均值和协方差矩阵，并进一步求解目标测试点相对于这些统计特性的 Mahalanobis 距离[^5]。 ### 结论 通过以上介绍可以看出，在实际应用中，当面对具有复杂关联模式的数据集合时，采用 Mahalanobis 距离往往能提供更为精确有效的分析手段。这尤其体现在诸如异常探测等领域之中[^6]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yhwang-hub

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值