cosine_similarity#

sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True)[source]#

计算 X 和 Y 中样本间的余弦相似度。

余弦相似度（或余弦核）将相似度计算为 X 和 Y 的归一化点积。

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

在 L2 范数归一化数据上，此函数等同于 linear_kernel。

欲了解更多信息，请参阅用户指南。

参数:
X{类数组, 稀疏矩阵}，形状为 (n_samples_X, n_features)

输入数据。

Y{类数组, 稀疏矩阵}，形状为 (n_samples_Y, n_features)，默认为 None

输入数据。如果为 None，输出将是 X 中所有样本之间的成对相似度。

dense_output布尔值，默认为 True

即使输入是稀疏的，是否返回密集输出。如果为 False，则当两个输入数组都是稀疏时，输出也是稀疏的。

0.17 版本新增：参数 dense_output 用于密集输出。

返回:
similaritiesndarray 或稀疏矩阵，形状为 (n_samples_X, n_samples_Y)

返回 X 和 Y 中样本间的余弦相似度。

示例

>>> 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]])