cosine_similarity#

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

计算 X 和 Y 中的样本之间的余弦相似度。

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 归一化数据上，此函数等效于 linear_kernel。

在用户指南中阅读更多内容。

参数:
X{array-like, sparse matrix} of shape (n_samples_X, n_features)

Input data.

Y{array-like, sparse matrix} of shape (n_samples_Y, n_features), default=None

输入数据。如果为 None，则输出将是 X 中所有样本的成对相似度。

dense_outputbool, 默认值为 True

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

在版本 0.17 中新增: 用于密集输出的参数 dense_output。

返回:
similarities形状为 (n_samples_X, n_samples_Y) 的 ndarray 或稀疏矩阵

返回 X 和 Y 中样本之间的余弦相似度。

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]])