cosine_similarity

sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True)

Berechne die Kosinusähnlichkeit zwischen Stichproben in X und Y.

Die Kosinus-Ähnlichkeit oder der Kosinus-Kernel berechnet die Ähnlichkeit als das normalisierte Skalarprodukt von X und Y.

K(X, Y) = <X, Y> / (||X||*||Y||)

Bei L2-normalisierten Daten ist diese Funktion äquivalent zu linear_kernel.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

X{array-like, sparse matrix} der Form (n_samples_X, n_features)

Eingabedaten.

Y{array-like, sparse matrix} der Form (n_samples_Y, n_features), Standard=None

Eingabedaten. Wenn None, ist die Ausgabe die paarweise Ähnlichkeit zwischen allen Stichproben in X.

dense_outputbool, Standardwert=True

Ob dichte Ausgaben auch dann zurückgegeben werden sollen, wenn die Eingabe spärlich ist. Wenn False, ist die Ausgabe spärlich, wenn beide Eingabearrays spärlich sind.

Hinzugefügt in Version 0.17: Parameter dense_output für dichte Ausgabe.

Gibt zurück:

similaritiesndarray oder spärliche Matrix der Form (n_samples_X, n_samples_Y)

Gibt die Kosinus-Ähnlichkeit zwischen Stichproben in X und Y zurück.

Beispiele

>>> from sklearn.metrics.pairwise import cosine_similarity
>>> X = [[0, 0, 0], [1, 1, 1]]
>>> Y = [[1, 0, 0], [1, 1, 0]]
>>> cosine_similarity(X, Y)
array([[0.   , 0.   ],
       [0.577, 0.816]])

Galeriebeispiele

Klassifikationsgrenzen mit verschiedenen SVM-Kernen plotten

Klassifikationsgrenzen mit verschiedenen SVM-Kernen plotten