Descriptiond = mahal(Y,X) computes

Description

d = mahal(Y,X) computes the Mahalanobis distance (in squared units) of each observation in Y from the reference sample in matrix X. If Y is n-by-m, where n is the number of observations and m is the dimension of the data, d is n-by-1. X and Y must have the same number of columns, but can have different numbers of rows. X must have more rows than columns.

For observation I, the Mahalanobis distance is defined by d(I) = (Y(I,:)-mu)*inv(SIGMA)*(Y(I,:)-mu)', where mu and SIGMA are the sample mean and covariance of the data in X. mahal performs an equivalent, but more efficient, computation.

ผลลัพธ์ (ไทย) 1:

คำอธิบายd = mahal(Y,X) คำนวณระยะ Mahalanobis (ในหน่วยยกกำลังสอง) ของแต่ละการสังเกตใน Y จากตัวอย่างอ้างอิงในเมตริกซ์ X ถ้า Y n m, n เป็นจำนวนข้อสังเกตุ และ m คือ ขนาดของข้อมูล ที่ d ได้ n 1 X และ Y ต้องมีจำนวนคอลัมน์เท่ากัน แต่ได้จำนวนแถวแตกต่างกัน X ต้องมีแถวมากกว่าคอลัมน์สังเกต ระยะห่างของ Mahalanobis มีกำหนด โดย d(I) = (Y(I,:)-mu)*inv(SIGMA)*(Y(I,:)-mu)', ที่หมู่และซิกมาจะหมายความว่าตัวอย่าง และคำนวณเทียบเท่า แต่มี ประสิทธิภาพมากขึ้น การทำงานแปรปรวนของข้อมูลในทัส x. อัพ

ผลลัพธ์ (ไทย) 2:

คำอธิบายD = Mahal (Y, X) คำนวณระยะ Mahalanobis (ในหน่วยกำลังสอง) ของแต่ละสังเกตใน Y จากตัวอย่างอ้างอิงในเมทริกซ์เอ็กซ์ถ้า Y เป็น n โดยเมตรที่ n คือจำนวนของการสังเกตและ m คือ มิติของข้อมูล, D เป็น n โดย 1 X และ Y ต้องมีหมายเลขเดียวกันของคอลัมน์ แต่สามารถมีตัวเลขที่แตกต่างของแถว X ต้องมีแถวมากกว่าคอลัมน์. สำหรับผมสังเกตระยะ Mahalanobis ถูกกำหนดโดยง (I) = (Y (ฉัน) - mu) Inv * (SIGMA) * (Y (ฉัน) - mu) ' ที่ sigma mu และเป็นตัวอย่างค่าเฉลี่ยและความแปรปรวนของข้อมูลใน mahal X. ดำเนินเทียบเท่า แต่มีประสิทธิภาพมากขึ้นในการคำนวณ

ผลลัพธ์ (ไทย) 3:

รายละเอียด

D = ทัชมาฮาล ( Y , X ) คำนวณ mahalanobis ระยะทาง ( สองหน่วย ) สังเกตแต่ละ Y จากตัวอย่างในเมทริกซ์ X ถ้า y n-by-m โดยที่ n คือจำนวนค่าสังเกตและ M คือ ขนาดของข้อมูล เป็น n-by-1 . x และ y ต้องมีหมายเลขเดียวกันของคอลัมน์ แต่สามารถมีตัวเลขที่แตกต่างกันของแถว X ต้องแถวมากกว่าคอลัมน์

สำหรับการสังเกตชั้นmahalanobis ระยะทางที่กำหนดโดย D ( i ) = ( Y ( , ) - มู ) * INV ( Sigma ) * ( Y ( , ) - มู ) ' ที่หมู่และ Sigma มีตัวอย่างและความแปรปรวนของข้อมูลใน X ลมีประสิทธิภาพเทียบเท่า แต่การคำนวณมีประสิทธิภาพมากขึ้น .