欧式距离python_最小欧式距离

更多：贝叶斯…

7.2.2 简化case1： 最小欧式距离

Step1： 做个假设

我们发现这个方程其实还是很难的，而且虽然每个类别样本都是服从正态分布，但是正态分布也会因为协方差矩阵不同而千差万别(就像单变量正态分布，如果方差不一样，那么他们之间的胖瘦就不一样)。不仅如此，多变量正态分布还存在属性之间的关系等等。所以，这里为了进一步分析上面的方程，就像朴素贝叶斯一样，我们也可以做一些强的假设。假设条件如下：

我们假设协方差矩阵元素相等，而且是一个对角阵。即特征向量之间是相互独立的，方差相等

因为每个类别的协方差矩阵相等，我们可以忽略决策函数(公式(1))中的第1项和第2项，那么可以得到一个简化的判定函数如下。

上式中的第1个二次项与类别无关，因此完全可以忽略。

经过上述简化过程之后，简化后的决策函数(公式2)可以接着改写为如下的式子。

简化后的决策函数(公式3)过于冗余，我们可以用一些变量来进行替换，做如下几个定义。

由此，我们可以将公式3改写成如下的式子。

哇哦~~~~可以说是非常的爽了。数学讲究的简单就是美~！！！不着急。。。还没完呢，现在我们假设的是类别样本都是标准的、