cosine_similarity#
- sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True)[source]#
计算 X 和 Y 中的样本之间的余弦相似度。
余弦相似度（Cosine similarity），即余弦核，计算的是 X 和 Y 的归一化点积。
K(X, Y) = <X, Y> / (||X||*||Y||)
对于 L2 归一化后的数据，此函数等同于 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中所有样本之间的成对相似度。- dense_outputbool, default=True
即使输入是稀疏的，是否也返回稠密输出。如果为
False，且两个输入数组均为稀疏，则输出为稀疏矩阵。0.17 版本新增： 用于稠密输出的参数
dense_output。
- 返回:
- similaritiesndarray 或形状为 (n_samples_X, n_samples_Y) 的稀疏矩阵
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]])
