马氏距离区别于欧式距离,如百度知道中所言:
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的信息,因为两者是有关联的)http://www.cppcns.com,并且是尺度无关的(scale-invariant),即独立于测量尺度。对于一个均值为, 协方差矩阵为的多变量向量,其马氏距离为sqrt( (x-)'^(-1)(x-) )。
因此,对于马氏距离最终的定义式为:
上代码,将马氏距离求取式编程客栈,封装为python函数,拷贝即可使用:
from numpy import * iWhcybNYmport numpy def get_mahalanobis(x, i, j): xT = x.T # 求转置 D = numpy.cov(xT) # 求协方差矩阵 invD = numpy.linalg.inv(D) # 协方差逆矩阵 assert 0 <= i < x.shape[0], "点 1 索引超出样本范围。" assert -1 <= j < x.shape[0], "点 2 索引超出样本范围。" x_A = x[i] x_B = x.mean(axis=0) if j == -1 else x[j] tp = x_A - x_B return numpy.sqrt(dot(dot(tp, invD), tp.T))
使用方式如下:
if __name__ == '__main__': # 初始化数据点集编程客栈,或者从其它地方加载 x = numpy.array([[3, 4], [5, 6], [2, 2], [8, 4]]) # 求第0个点到均值之间的马氏距离(j为-1时代表均值) print(get_mahalanobis(x, 0, -1)) # 求第0个点到第1个点之间的马氏距离 p编程客栈rint(get_mahalanobis(x, 0, 1)) # 求第2个点到第3个点之间的马氏距离(索引从0开始算起) print(get_mahalanobis(x, 2, 3))
运行结果贴图
总结
本篇文章就到这里了,希望能够给你带来帮助,也希望您能够多多关注我们的更多内容!
精彩评论