Odległość Mahalanobisa – odległość między dwoma punktami w wielowymiarowej przestrzeni różnicująca wkład poszczególnych składowych współrzędnych punktów oraz wykorzystująca korelacje między nimi. Znajduje ona zastosowanie w statystyce, przy wyznaczaniu podobieństwa między nieznanym wektorem losowym a wektorem ze znanego zbioru. Zdefiniowana przez Prasantę Chandrę Mahalanobisa w 1936 roku.

Dane mamy 2 wektory losowe ${\displaystyle \mathbf {x} =[x_{1},x_{2},\dots ,x_{n}],}$ ${\displaystyle \mathbf {y} =[y_{1},y_{2},\dots ,y_{n}]}$ w przestrzeni ${\displaystyle \mathbb {R} ^{n},}$ oraz pewną symetryczną, dodatnio określoną macierz ${\displaystyle C.}$ Odległość Mahalanobisa zdefiniowana jest jako:

${\displaystyle d_{m}(\mathbf {x} ,\mathbf {y} ):={\sqrt {(\mathbf {x} -\mathbf {y} )^{T}C^{-1}(\mathbf {x} -\mathbf {y} )}}}$

Odległość Mahalanobisa stosuje się w analizie skupień. Mając dany zbiór punktów tworzących pewną klasę, możemy wyznaczyć dla niego wektor średni ${\displaystyle {\boldsymbol {\mu }}=[\mu _{1},\mu _{2},\dots ,\mu _{n}]}$ oraz macierz kowariancji ${\displaystyle C,}$ które odzwierciedlają pewien charakter tej klasy. Badając przynależność nieznanego wektora losowego ${\displaystyle \mathbf {x} }$ do danej klasy, mierzy się jego podobieństwo do wektora ${\displaystyle {\boldsymbol {\mu }},}$ uwzględniając przy tym informację o wariancjach poszczególnych składowych oraz korelacjach między nimi. Miarą takiego podobieństwa jest odległość Mahalanobisa, nazywana ważoną odległością euklidesową, przy czym macierzą wag jest ${\displaystyle C^{-1}.}$

Rozważmy trzy przypadki różnych zbiorów danych:

Poszczególne składowe w zbiorze mają równe wariancje (można przyjąć, że są one równe 1) i nie są skorelowane. Wówczas macierz kowariancji ${\displaystyle C}$ jest macierzą jednostkową, a odległość Mahalanobisa jest równa odległości euklidesowej:

${\displaystyle {\begin{aligned}d_{m}(\mathbf {x} ,{\boldsymbol {\mu }})&={\sqrt {(x_{1}-\mu _{1})^{2}+\ldots +(x_{n}-\mu _{n})^{2}}}\\&={\sqrt {(\mathbf {x} -{\boldsymbol {\mu }})\mathbb {I} ^{-1}(\mathbf {x} -{\boldsymbol {\mu }})^{T}}}\end{aligned}}}$

Punkty o identycznej odległości od pewnego danego punktu centralnego tworzą na płaszczyźnie okrąg, a w przestrzeni o trzech lub więcej wymiarach odpowiednio sferę i hipersferę.

Składowe ${\displaystyle x_{1},x_{2},\dots ,x_{n}}$ wektora losowego ${\displaystyle \mathbf {x} }$ nie są skorelowane, lecz mają różne wariancje: ${\displaystyle \sigma _{1}^{2},\sigma _{2}^{2},\dots ,\sigma _{n}^{2}.}$ Aby znormalizować poszczególne składowe należy je podzielić przez odpowiadające im wariancje:

${\displaystyle {\begin{aligned}d_{m}(\mathbf {x} ,{\boldsymbol {\mu }})&={\sqrt {{\frac {(x_{1}-\mu _{1})^{2}}{\sigma _{1}^{2}}}+\ldots +{\frac {(x_{n}-\mu _{n})^{2}}{\sigma _{n}^{2}}}}}\\&={\sqrt {(\mathbf {x} -{\boldsymbol {\mu }})D^{-1}(\mathbf {x} -{\boldsymbol {\mu }})^{T}}}\end{aligned}}}$

gdzie ${\displaystyle D}$ jest macierzą diagonalną ${\displaystyle \mathrm {diag} (\sigma _{1}^{2},\sigma _{2}^{2},\dots ,\sigma _{n}^{2}).}$

Punkty o identycznej odległości tworzą na płaszczyźnie elipsę, a w przestrzeni trójwymiarowej elipsoidę, przy czym osie utworzonej figury są równoległe do osi układu współrzędnych.

Składowe mają różne wariancje i są skorelowane: ${\displaystyle \sigma _{ij}^{2}>0,\ \ 1\leqslant i,j\leqslant n.}$ Odpowiada to pełnej macierzy kowariancji ${\displaystyle C,}$ a utworzona przez punkty o tej samej odległości elipsa jest obrócona o pewien kąt względem osi układu współrzędnych. Obrót ten jest dany przez macierz wektorów własnych macierzy ${\displaystyle C\,^{-1},}$ zaś długości półosi hiper-elipsoidy są określone przez odwrotności pierwiastków kwadratowych jej wartości własnych ${\displaystyle {\frac {1}{\sqrt {\lambda _{1}}}},\dots ,{\frac {1}{\sqrt {\lambda _{n}}}},.}$

Wartości własne spełniają równanie charakterystyczne, które w ogólności dla macierzy symetrycznej kwadratowej rozmiaru [${\displaystyle n}$ x ${\displaystyle n}$] sprowadza się do poszukiwania pierwiastków wielomianu ${\displaystyle n}$ tego stopnia.

• Kwadrat odległości Mahalanobisa występuje w wykładniku wielowymiarowego rozkładu Gaussa.
• W zagadnieniach grupowania danych, np. klasteryzacji rozmytej, odległość Mahalanobisa wykorzystana jest do określania kształtu grupy (klastra). Przykładem jest algorytm GK^[1] (Gustaffsona-Kessela).