一.简介
一个好的距离衡量方法应该可以很好地表示数据之间的相似性，即距离近点的数据拥有更高的相似性。当数据以向量进行表示，每个维度的值代表不同属性时，好的数据表示应该：
1）消除量纲的影响。
2）考虑不同维度方差的影响。
3）考虑不同维度之间的相关性。
前两个点通过标准化操作很容易做到，而第三点就相对复杂一点。接下来一步一步地基于第三个出发点，进行马氏距离的推导。
假设数据集的向量表示为，共n条数据，每条数据由一个m维向量表示。X的协方差矩阵为
，均值为
。为了消除不同维度属性的相关性，通过一个矩阵
对X进行坐标表换，将数据映射到新的坐标系下（
中的行向量为新的坐标轴），记为
，在新的坐标系下，Y的向量表示中，不同维度之间是相互独立的，因此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）。我们先求解Y的均值，很显然，应该是
，接着求Y的协方差矩阵：
从这里可以发现，当Q是的特征向量组成的矩阵时，
一定是对角矩阵。由于
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。正交矩阵有一个很好的性质，即
，在后续的推导中会用到。
到目前为止，我们已经完成了第三点，即考虑数据中不同维度之间的相关性，接着我们通过对变量Y进行标准化来实现第一点和第二点。
终于，我们得到了一个“完美”的数据表示，接着可以通过向量内积来衡量距离了。
到原点的距离为：
这就是马氏距离。要计算两个数据点之间的马氏距离也很简单，设两个点为，首先将他们映射到新的坐标系，并完成标准化，得到
两者之差为：
接着可以通过向量内积来衡量距离了,参考公式3，到原点的距离
为：
