马氏间隔分类器：考虑特征相干性的分类方法
马氏间隔分类器：考虑特征相干性的分类方法引言
在之前介绍的最小间隔分类器中，我们使用欧氏间隔来度量样本点之间的间隔。然而，欧氏间隔存在一个明显的范围性：它假设所有特征都是相互独立的，且具有雷同的标准。在实际应用中，特征之间往往存在相干性，且不同特征的标准可能差异很大。马氏间隔（Mahalanobis Distance）正是为了解决这个问题而提出的。
马氏间隔的直观明白
想象一下，假如我们在测量人的身高和体重时：
[*]身高的单元是厘米（例如170cm）
[*]体重的单元是千克（例如60kg）
假如直接使用欧氏间隔，由于单元和标准的差异，体重的变化会在间隔计算中占据主导地位。而马氏间隔通过考虑数据的协方差结构，可以：
[*]自动处理不同特征的标准差异
[*]考虑特征之间的相干性
[*]对数据的分布形状举行校正
数学原理
1. 马氏间隔的定义
对于一个样本向量
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]