马氏距离(Mahalanobis distance)

马氏距离是一种修正后的欧式距离,考虑了样本分布的均值、协方差矩阵,解决了不同维度方差不一致和相关性问题。在已知数据分布时,马氏距离比欧氏距离更能准确反映样本与分布中心的距离。通过消除相关性和量纲差异,马氏距离使欧氏距离在新的分布上成为有效的度量方式。
摘要由CSDN通过智能技术生成

假设空间中两个点x,y,定义

欧式距离(欧几里得距离)d(\vec{x},\vec{y})=\sqrt{(\vec{x}-\vec{y} )^T(\vec{x}-\vec{y})}

Mahalanobis距离d(\vec{x},\vec{y})=\sqrt{(\vec{x}-\vec{y} )^TS^{-1}(\vec{x}-\vec{y})}

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,影响包括两个方面:

1。不同维度上的方差不同,进而不同维度在计算距离时的重要性不同;

2、不同维度间可能存在相关性,干扰距离计算。

当数据的分布已知时,我们通常会用马氏距离代替欧氏距离。

定义:

1。度量样本到样本分布间的距离

  • 4
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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