新加坡 11-08 02:18 · 吉隆坡 02:18 · 雅加达 01:18 · 曼谷 01:18 · 马尼拉 02:18 · 胡志明 01:18 · 北京 02:18 · 东京 03:18 · 伦敦 18:18 · 纽约 13:18
Amy 原创整理｜资料核验：2026-11-03
scikit-learn的EmpiricalCovariance.mahalanobis(X)说明明确写的是马氏距离的平方，返回每个样本一个数值。函数名没有出现squared，读接口时仍要查看返回值定义。
【Amy教学示例】如果某个返回值为9，对应距离是3；一个按距离定义的阈值4，应与距离3比较，或在平方尺度上用9与16比较。直接拿9与4相比，就混用了两种尺度。这个例子仅演示换算，不是在推荐实际检测阈值。
文档还假设待评估样本与拟合数据来自同一分布。Amy建议在报表字段中写成“马氏距离平方”，并记录阈值的定义和模型版本，避免后续分析人员只看列名就误用数值。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.covariance.EmpiricalCovariance.html
Win64实测（sklearn 1.9.1、numpy 2.4.4）：EmpiricalCovariance拟合5个二维点（covariance_对角0.4、precision_对角2.5）后，mahalanobis([[3,4]])返回62.5，手算x·Σ⁻¹·x同样是62.5，开平方7.906才是距离——平方口径实锤。两个对照很有用：scipy.spatial.distance.mahalanobis对同一点返回7.906（不平方），拿两家的数比同一个阈值会差一个平方；MinCovDet.mahalanobis([[3,4]])返回56.59，稳健协方差换掉Σ数值就变，比阈值前先认Σ是谁估的。另外这个版本EmpiricalCovariance没有mahalanobis_属性，只有mahalanobis(X)方法，别照旧教程写。阈值要么用平方单位定，要么全链路开平方，二选一别混。
先问电、数据和责任算谁的。