知识卡片
马氏距离扣除协方差
马氏距离(Mahalanobis distance)在欧氏距离中引入协方差:设随机向量 x、y 同分布、协方差矩阵为 S,则 d(x,y)=√((x−y)ᵀS⁻¹(x−y))。S⁻¹ 起两次作用:按各维方差把坐标轴伸缩到同一尺度,再按特征间的相关性旋转坐标,使比较发生在「等变异」的方向上。因此它既不受量纲影响,也能处理特征高度相关的情形——两个变量近似共线时,沿共线方向的偏离在 S⁻¹ 下会被压缩,不会被重复计入。代价是要估计 p×p 的协方差矩阵:p 大而样本少时 S 病态甚至不可逆,距离随之失真。它衡量的是「扣除变量间联系后」的差异,适合多元离群判别;用于聚类时相当于假定各类具有同一协方差形状。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第8章 聚类分析
原书出处 · 1 处
- 第8章 聚类分析 · 查看原书依据
马氏距离(Mahalanobis distance)是考虑了协方差的距离,是另一种衡量相似度的方法,与欧式距离的不同之处在于考虑了不同特性之间的联系。
参考来源
- 位置:《大数据挖掘与统计机器学习》第8章 聚类分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter10_0001.xhtml,8.1.1 距离(相似度)的定义)
- 结论依据:原文指出马氏距离「考虑了协方差」,「与欧式距离的不同之处在于考虑了不同特性之间的联系」,并要求 x、y 同分布、协方差矩阵为 S。
- 原始内容:马氏距离(Mahalanobis distance)是考虑了协方差的距离,是另一种衡量相似度的方法,与欧式距离的不同之处在于考虑了不同特性之间的联系。