马氏距离python代码

马氏距离的Python代码可以如下实现：

import numpy as np
import math

def mashi_distance(x, y):
    x = np.array(x)
    y = np.array(y)
    diff = x - y
    cov = np.cov(diff.T)
    cov_inv = np.linalg.inv(cov)
    res = math.sqrt(np.dot(np.dot(diff, cov_inv), diff.T))
    return res

相关问题

马氏距离python

马氏距离是一种用于衡量两个样本之间相似性的指标，它考虑了各个特征之间的相关性。在Python中，可以使用numpy库来计算马氏距离。下面是一个示例代码：

import numpy as np

def mahalanobis_distance(x, y):
    # 将样本转化为矩阵形式
    X = np.vstack([x, y])
    # 计算协方差矩阵
    S = np.cov(X)
    # 计算协方差矩阵的逆矩阵
    SI = np.linalg.inv(S)
    # 计算马氏距离
    delta = X[0] - X[1]
    d = np.sqrt(np.dot(np.dot(delta, SI), delta.T))
    return d

if __name__ == '__main__':
    x = [3, 5, 2, 8]
    y = [4, 6, 2, 4]
    distance = mahalanobis_distance(x, y)
    print(distance)

这段代码定义了一个名为mahalanobis_distance的函数，该函数接受两个样本x和y作为输入，并返回它们之间的马氏距离。在主函数中，我们给出了两个示例样本x和y，并调用mahalanobis_distance函数来计算它们之间的马氏距离。

KNN使用马氏距离的python代码

以下是使用Python实现KNN算法，并使用马氏距离进行距离度量的示例代码：

import numpy as np
from scipy.spatial.distance import mahalanobis

def knn(X_train, y_train, X_test, k):
    y_pred = []
    for i in range(len(X_test)):
        distances = []
        for j in range(len(X_train)):
            distance = mahalanobis(X_test[i], X_train[j])
            distances.append((distance, y_train[j]))
        distances.sort(key=lambda x: x[0])
        neighbors = distances[:k]
        labels = [neighbor[1] for neighbor in neighbors]
        unique, counts = np.unique(labels, return_counts=True)
        y_pred.append(unique[np.argmax(counts)])
    return y_pred

# 示例用法
X_train = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y_train = np.array([0, 0, 1, 1])
X_test = np.array([[4, 5], [2, 3]])
k = 3

predictions = knn(X_train, y_train, X_test, k)
print(predictions)

在上述示例中，`X_train`是训练数据的特征向量，`y_train`是对应的类标签。`X_test`是测试数据的特征向量。参数`k`表示选择最近邻居的数量。函数`knn`返回预测的类标签列表`y_pred`。

请注意，此代码使用了`scipy`库中的`mahalanobis`函数来计算马氏距离。确保已经安装了`scipy`库，并正确导入了相关模块。