余弦相似度#
- sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True)[source]#
计算 X 和 Y 中样本之间的余弦相似度。
余弦相似度,或余弦核,计算相似度为 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。
阅读更多内容,请参见 用户指南。
- 参数:
- X{array-like, sparse matrix} of shape (n_samples_X, n_features)
输入数据。
- Y{数组类, 稀疏矩阵} 形状为 (n_samples_Y, n_features),默认值=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_output布尔值, 默认值=True
即使输入是稀疏的,是否返回稠密输出。如果为
False
,则如果两个输入数组都是稀疏的,则输出为稀疏的。版本 0.17 中新增: 参数
dense_output
用于稠密输出。
- 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. ], [0.57..., 0.81...]])
图库示例#
使用不同的 SVM 核绘制分类边界