马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)「这是我参与2022首次更文挑战的第2天，活

「这是我参与2022首次更文挑战的第2天，活动详情查看：2022首次更文挑战」。

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，本文介绍马氏距离相关内容。

欧氏距离的缺点

距离度量在各个学科中有着广泛用途，当数据表示为向量 $\overrightarrow{\mathbf{x} }=\left(x_{1}, x_{2}, \cdots, x_{n}\right)^{T}$ 和 $\overrightarrow{\mathbf{y}}=\left(y_{1}, y_{2}, \cdots, y_{n}\right)^{T}$ 时，最直观的距离度量就是欧式距离了：

{% raw %}

d(x, y):=\sqrt{\left(x_{1}-y_{1}\right)^{2}+\left(x_{2}-y_{2}\right)^{2}+\cdots+\left(x_{n}-y_{n}\right)^{2}}=\sqrt{\sum_{i=1}^{n}\left(x_{i}-y_{i}\right)^{2}}

{% endraw %}

但是这种度量方式没有考虑到各个维度之间的差异和相关等因素，不同的向量度量距离时权重都相同，这可能会对结果可信度产生干扰。

马氏距离

度量样本距离某个分布的距离，先将样本与分布标准化到多维标准正态分布后度量欧式距离

思想

将变量按照主成分进行旋转，消除维度间的相关性
对向量和分布进行标准化，让各个维度同为标准正态分布

推导

分布由 $n$ 个 $m$ 维向量刻画，即共 $n$ 条数据，每条数据由一个 $m$ 维向量表示：

{% raw %}

X = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1n}}}\\ {{x_{21}}}&{{x_{22}}}&{}&{{x_{2n}}}\\ \vdots &{}& \ddots & \vdots \\ {{x_{m1}}}&{{x_{m2}}}& \cdots &{{x_{mn}}} \end{array}} \right]

{% endraw %}

$X$ 的均值为 ${\mu _X}$
$X$ 的协方差矩阵为:

\sum\nolimits_X = \frac{1}{n}(X - {\mu _X}){(X - {\mu _X})^T}

为消除维度间的相关性，通过一个 $m \times m$ 的矩阵 $Q^T$ 对 $X$ 进行坐标表换，将数据映射到新的坐标系下，用 $Y$ 表示：

Y=Q^TX

此时我们期望在 $Q^T$ 的作用下， $Y$ 的向量表示中，不同维度之间是相互独立的，此时 $Y$ 的协方差矩阵应该是一个对角矩阵（除对角线元素外，其余元素均为0）。

Y 的均值： $u_{Y}=Q^{T} u_{X}$
Y 的协方差矩阵：

{% raw %}

\begin{aligned} \Sigma_{Y} &=\frac{1}{n}\left[Y-u_{Y}\right]\left[y-u_{Y}\right]^{T} \\ &=\frac{1}{n}\left[Q^{T}\left(X-u_{x}\right)\right]\left[Q^{T}\left(X-u_{X}\right)\right]^{T} \\ &=Q^{T} \frac{1}{n}\left(X-u_{X}\right)\left(X-u_{X}\right)^{T} Q \\ &=Q^{T} \Sigma_{X} Q \end{aligned}

{% endraw %}

从这里可以发现，当 $Q$ 是 $\Sigma_{X}$ 的特征向量组成的矩阵时， $\Sigma_{Y}$ 一定是对角矩阵，且值为每个特征向量对应的特征值。由于 $\Sigma_{X}$ 是对称矩阵，因此肯定可以通过特征分解得到 $Q$ ，且 $Q$ 是正交矩阵。
$\Sigma_{Y}$ 的对角线元素含义为 $Y$ 中每个向量的方差，因此均为非负值，从这个角度可以说明协方差矩阵的特征值为非负值。
而且事实上协方差矩阵本身就是半正定的，特征值均非负
不相关与独立的问题：
- 此处我们说明了变换后的向量之间相关系数为0，也就是向量之间不相关
- 而事实上独立是比不相关更强的约束，不相关往往不能推出独立
- 但在高斯分布下，不相关和独立是等价的

接下来我们对向量进行标准化

当我们减去均值后，向量已经变成了0均值的向量，距离标准化仅差将方差变为1
在经历了 $Y=Q^TX$ 变换后， $Y$ 的协方差矩阵已经成为了对角阵，对角线元素为 $Y$ 中各个维度数据的方差，那么我们仅需让 $Y$ 中各个维度数据除以该维度数据的标准差即可。
我们将去相关化、0均值化、标准化过后的数据记为 $Z$ ：

{% raw %}
$\begin{aligned} Z &= \left[ {\begin{array}{*{20}{c}} {\frac{1}{{{\sigma _1}}}}&{}&{}&{}\\ {}&{\frac{1}{{{\sigma _2}}}}&{}&{}\\ {}&{}& \ddots &{}\\ {}&{}&{}&{\frac{1}{{{\sigma _n}}}} \end{array}} \right](Y - {\mu _Y}) \\&= \Sigma _Y^{ - \frac{1}{2}}{Q^T}(X - {\mu _X}) \\ &= ({Q^T}{\Sigma _X}Q)_{}^{ - \frac{1}{2}}{Q^T}(X - {\mu _X}) \end{aligned}$
{% endraw %}
而马氏距离就是度量纠正过后的向量 $Z$ 到分布中心（原点）的欧式距离：

{% raw %}

\begin{array}{l} {D_M}(X) & = \sqrt {{Z^T}Z} \\&= \sqrt {{{\left( {X - {u_X}} \right)}^T}Q{{\left( {{Q^T}{\Sigma _X}Q} \right)}^{ - \frac{1}{2}}}{{\left( {{Q^T}{\Sigma _X}Q} \right)}^{ - \frac{1}{2}}}{Q^T}\left( {X - {u_X}} \right)} \\ &= \sqrt {{{\left( {X - {u_X}} \right)}^T}Q{{\left( {{Q^T}{\Sigma _X}Q} \right)}^{ - 1}}{Q^T}\left( {X - {u_X}} \right)} \\ &= \sqrt {{{\left( {X - {u_X}} \right)}^T}Q{Q^{ - 1}}\Sigma _X^{ - 1}Q{Q^T}\left( {X - {u_X}} \right)} \\ &= \sqrt {{{\left( {X - {u_X}} \right)}^T}\Sigma _X^{-1}\left( {X - {u_X}} \right)} \\ \end{array}

{% endraw %}

马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)

欧氏距离的缺点

马氏距离

思想

推导

参考资料