如何计算拟合超平面与样本点之间的距离？

我需要计算拟合超平面与5个样本点之间的距离，查阅到的多数方案基于SVM，但我并非要做分类任务，对此感到困惑。

样本点如下：

[[ 163.3828172   169.65537306  144.69201418]
 [-212.50951396 -167.06555958   56.69388025]
 [-164.65129832 -163.42420063 -149.97008725]
 [  41.8704004    52.2538316    14.0683657 ]
 [-128.38386078 -102.76840542 -303.4960438 ]]

我用SVD求解拟合平面的系数，实现代码如下：

def fit_plane(points):
    assert points.shape[1] == 3
    centroid = points.mean(axis=0)
    x = points - centroid[None, :]
    U, S, Vt = np.linalg.svd(x.T @ x)
    #normal vector of best fitting plane is the left
    #singular vector corresponding to the least singular value
    normal = U[:, -1]
    #calculate the distance from origin
    origin_distance = normal @ centroid
    return np.hstack([normal, -origin_distance])

fit_plane(X)

得到的平面方程为：
-0.67449074x + 0.73767288y -0.03001614z -10.75632119 = 0

我了解到SVM中常用距离公式d = |w^Tx +b|/||w||，但不清楚如何将自己得到的平面方程对应到该公式，进而计算点与超平面的距离。

问题解答 #

1. 平面方程与距离公式的对应关系 #

你得到的平面方程是标准的三维平面形式 ax + by + cz + d = 0（将你的方程整理后，d = -10.75632119），而SVM里的距离公式本质就是点到平面的欧氏距离公式，和分类任务无关，对应关系如下：

• w 对应平面的法向量 [a, b, c]
• w^Tx 是法向量与点 x=(x0,y0,z0) 的点积，即 a*x0 + b*y0 + c*z0
• SVM公式里的 b 对应你平面方程中的常数项 d

最终点到平面的距离公式可统一为：

d = |a*x0 + b*y0 + c*z0 + d| / sqrt(a² + b² + c²)

2. 针对你的场景的计算步骤 #

结合你得到的平面参数：

• 法向量 w = [-0.67449074, 0.73767288, -0.03001614]
• 常数项 d_plane = -10.75632119

对每个样本点 (x_p, y_p, z_p)：

1. 计算分子：|w[0]*x_p + w[1]*y_p + w[2]*z_p + d_plane|
2. 计算分母：法向量的L2范数 sqrt(a² + b² + c²)
3. 距离 = 分子 / 分母

3. 代码实现 #

可以直接扩展现有代码，计算所有点的距离：

import numpy as np

# 你的样本点
X = np.array([
    [163.3828172, 169.65537306, 144.69201418],
    [-212.50951396, -167.06555958, 56.69388025],
    [-164.65129832, -163.42420063, -149.97008725],
    [41.8704004, 52.2538316, 14.0683657],
    [-128.38386078, -102.76840542, -303.4960438]
])

def fit_plane(points):
    assert points.shape[1] == 3
    centroid = points.mean(axis=0)
    x = points - centroid[None, :]
    U, S, Vt = np.linalg.svd(x.T @ x)
    normal = U[:, -1]
    origin_distance = normal @ centroid
    return np.hstack([normal, -origin_distance])

# 获取平面参数
a, b, c, d_plane = fit_plane(X)

# 计算所有点到平面的距离
def calculate_distances(points, a, b, c, d):
    numerator = np.abs(a * points[:,0] + b * points[:,1] + c * points[:,2] + d)
    denominator = np.sqrt(a**2 + b**2 + c**2)
    return numerator / denominator

distances = calculate_distances(X, a, b, c, d_plane)
print("各点到平面的距离：", distances)

运行后即可得到每个样本点与拟合平面的距离值。

内容的提问来源于stack exchange，提问作者ethan tenison