目录
1 简单理解协方差的物理意义
2什么是马氏距离
3马氏距离实际意义
4马氏距离的推导
4.1马氏距离的步骤
4.2 马氏距离的推导过程
5马氏距离的问题
6 马氏距离的优点
7 欧氏距离和马氏距离之间的区别和联系
马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标，同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。
1 简单理解协方差的物理意义
（1）正相关
在概率论中，两个随机变量 X 与 Y 之间相互关系，大致有下列3种情况：
当 X, Y 的联合分布像上图那样时，我们可以看出，大致上有： X 越大 Y 也越大， X 越小 Y 也越小，这种情况，我们称为“正相关”。
（2）负相关
当X, Y 的联合分布像上图那样时，我们可以看出，大致上有：X 越大 Y 反而越小，X 越小 Y 反而越大，这种情况，我们称为“负相关”。
（3）不相关
当X, Y 的联合分布像上图那样时，我们可以看出：既不是 X 越大 Y 也越大，也不是 X 越大 Y 反而越小，这种情况我们称为“不相关”。
怎样将这3种相关情况，用一个简单的数字表达出来呢？
在图中的区域（1）中，有 X>EX ，Y-EY>0 ，所以(X-EX)(Y-EY)>0；在图中的区域（2）中，有 X<EX ，Y-EY>0 ，所以(X-EX)(Y-EY)<0；在图中的区域（3）中，有 X<EX ，Y-EY<0 ，所以(X-EX)(Y-EY)>0；在图中的区域（4）中，有 X>EX ，Y-EY<0 ，所以(X-EX)(Y-EY)<0。
当X 与Y 正相关时，它们的分布大部分在区域（1）和（3）中，小部分在区域（2）和（4）中，所以平均来说，有E(X-EX)(Y-EY)>0 。
当 X与 Y负相关时，它们的分布大部分在区域（2）和（4）中，小部分在区域（1）和（3）中，所以平均来说，有E(X-EX)(Y-EY)<0。
当 X与 Y不相关时，它们在区域（1）和（3）中的分布，与在区域（2）和（4）中的分布几乎一样多，所以平均来说，有E(X-EX)(Y-EY)=0。
所以，我们可以定义一个表示X, Y 相互关系的数字特征，也就是协方差
cov(X, Y) = E(X-EX)(Y-EY)。
当 cov(X, Y)>0时，表明X与Y 正相关；当 cov(X, Y)<0时，表明X与Y负相关；当 cov(X, Y)=0时，表明X与Y不相关。
这就是协方差的意义。
在介绍马氏距离之前，我们先来看如下几个概念：
方差：方差是标准差的平方，而标准差的意义是数据集中各个点到均值点距离的平均值。反应的是数据的离散程度。
协方差：标准差与方差是描述一维数据的，当存在多维数据时，我们通常需要知道每个维数的变量中间是否存在关联。协方差就是衡量多维数据集中，变量之间相关性的统计量。比如说，一个人的身高与他的体重的关系，这就需要用协方差来衡量。如果两个变量之间的协方差为正值，则这两个变量之间存在正相关，若为负值，则为负相关。
协方差矩阵：当变量多了，超过两个变量了。那么，就用协方差矩阵来衡量这么多变量之间的相关性。假设X 是以n 个随机变数（其中的每个随机变数是也是一个向量，当然是一个行向量）组成的列向量：
其中，是第i个元素的期望值，即。协方差矩阵的第 i， j 项（第 i，j 项是一个协方差）被定义为如下形式：
即：
矩阵中的第( i , j ) 个元素是与的协方差。
2什么是马氏距离
马氏距离（Mahalanobis Distance）是由马哈拉诺比斯（P. C. Mahalanobis）提出的，表示数据的协方差距离。马氏距离(Mahalanobis Distance)是一种距离的度量，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。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）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Σ的多变量矢量，其马氏距离（单个数据点的马氏距离）为：
马氏距离也可以定义为两个服从同一分布并且其协方差矩阵为Σ的随机变量X与Y的差异程度，数据点x, y之间的马氏距离：
其中Σ是多维随机变量的协方差矩阵，μ为样本均值，如果协方差矩阵是单位向量，也就是各维度独立同分布，马氏距离就变成了欧氏距离。如果协方差矩阵为对角阵，其也可称为正规化的马氏距离。
其中σi是xi的标准差。
3马氏距离实际意义
那么马氏距离就能能干什么？它比欧氏距离好在哪里？
欧式距离近就一定相似？
先举个比较常用的例子，身高和体重，这两个变量拥有不同的单位标准，也就是有不同的scale。比如身高用毫米计算，而体重用千克计算，显然差10mm的身高与差10kg的体重是完全不同的。但在普通的欧氏距离中，这将会算作相同的差距。
归一化后欧氏距离近就一定相似？
当然我们可以先做归一化来消除这种维度间scale不同的问题，但是样本分布也会影响分类。
举个一维的栗子，现在有两个类别，统一单位，第一个类别均值为0，方差为0.1，第二个类别均值为5，方差为5。那么一个值为2的点属于第一类的概率大还是第二类的概率大？距离上说应该是第一类，但是直觉上显然是第二类，因为第一类不太可能到达2这个位置。
所以，在一个方差较小的维度下很小的差别就有可能成为离群点。就像下图一样，A与B相对于原点的距离是相同的。但是由于样本总体沿着横轴分布，所以B点更有可能是这个样本中的点，而A则更有可能是离群点。
算上维度的方差就够了？
还有一个问题——如果维度间不独立同分布，样本点一定与欧氏距离近的样本点同类的概率更大吗？
可以看到样本基本服从f(x) = x的线性分布，A与B相对于原点的距离依旧相等，显然A更像是一个离群点
即使数据已经经过了标准化，也不会改变A B与原点间距离大小的相互关系。所以要本质上解决这个问题，就要针对主成分分析中的主成分来进行标准化。
4马氏距离的推导
4.1马氏距离的步骤
计算样本数据的马氏距离分为两个步骤：
1、坐标旋转 2、数据压缩
坐标旋转的目标：使旋转后的各个维度之间线性无关，所以该旋转过程就是主成分分析的过程。数据压缩的目标：将不同的维度上的数据压缩成为方差都是1的的数据集。
首先我们先看个二维的例子。
此例的数据重心为原点，P1,P2到原点的欧氏距离相同，但点P2在y轴上相对原点有较大的变异，而点P1在x轴上相对原点有较小的变异。所以P1点距原点的直观距离是比P2点的小的。
马氏距离就是解决这个问题，它将直观距离和欧式距离统一。为了做到这一点，它先将数据不同维度上的方差统一（即各维度上的方差相同），此时的欧式距离就是直观距离。
如图：统一方差后的图，P1’到原点的距离小于P2’。P1’到原点的欧式距离和P2’的相同。以上所说的直观距离就是马氏距离。但是，如果不同维度之间具有相关性，则压缩的效果就不好了。如下图只在横向和纵向上压缩，则达不到上图的压缩效果。
所以在F1方向和F2方向上压缩数据才能达到较好的效果。所以需要将原始数据在XY坐标系中的坐标 表示在F坐标系中。然后再分别沿着坐标轴压缩数据。
4.2 马氏距离的推导过程
有一个原始的多维样本数据Xn×m(m列，n行):
其中每一行表示一个测试样本（共n个）；Xi表示样本的第i个维度（共m个） ，以上多维样本数据记为X=(X1,X2⋯Xm)。样本的总体均值为 。其协方差为：
协方差矩阵表示样本数据各维度之间的关系的。其中n是样本的数量
假设将原始数据集X，通过坐标旋转矩阵U旋转到新的坐标系统中，得到一个新的数据集F。（其实X和F表示的是同一组样本数据集，只是由于其坐标值不同，为了易于区分用了两个字母表示）
新数据集F的均值记为μF= μF1, μF2⋯ μFm, μF= Uμx
由于将数据集旋转后数据的不同维度之间是相互独立的，所以新数据集F的协方差矩阵应该为对角阵（除对角线元素外，其余元素均为0）。
由于:
所以：
其中sqrt(λi)就是第 i 个维度的方差。
由于Σx是实对角阵，所以U是一个正交矩阵。
以上是准备知识，下面推导一个样本点x=(x1,x2⋯xm)到重心μX=(μX1,μX2⋯μXm)的马氏距离。等价于求点 f=(f1,f2⋯fm) 压缩后的坐标值到数据重心压缩后的坐标值 μF=(μF1,μF2⋯μFm)的欧式距离。
这就是马氏距离的的计算公式了。
如果x是列向量
d2= ( x − μx)TΣ-1X( x − μx)
如果并把上文的重心 μx= ( μx1, μx2⋯ μxm) 改为任意一个样本点y，则可以得到x和y两个样本点之间的马氏距离公式为：
d2= ( x − y )TΣ-1x( x − y )
5马氏距离的问题
协方差矩阵必须满秩
里面有求逆矩阵的过程，不满秩不行，要求数据要有原维度个特征值，如果没有可以考虑先进行PCA，这种情况下PCA不会损失信息。
不能处理非线性流形(manifold)上的问题
只对线性空间有效，如果要处理流形，只能在局部定义，可以用来建立KNN图。
6 马氏距离的优点
7 欧氏距离和马氏距离之间的区别和联系
参考资料：
马氏距离ppt:马氏距离 - 百度文库
度量学习中的马氏距离：度量学习中的马氏距离 - 简书
马氏距离(Mahalanobis Distence)：马氏距离(Mahalanobis Distence) [python] - CoyoteWaltz - 博客园
马氏距离和欧式距离详解：马氏距离和欧式距离详解_From Zero to Hero-CSDN博客_欧式距离
马氏距离——直观理解与公式推导：马氏距离——直观理解与公式推导 - 知乎
马氏距离详解：马氏距离详解_xjb329859013的博客-CSDN博客_马氏距离公式
马氏距离(Mahalanobis Distance)：马氏距离(Mahalanobis Distance) | Ph0en1x Notebook
