<\/p>\n
Der Jaccard-\u00c4hnlichkeitsindex<\/strong> ist ein Ma\u00df f\u00fcr die \u00c4hnlichkeit zwischen zwei Datens\u00e4tzen.<\/span><\/p>\n Der von Paul Jaccard<\/a> entwickelte Index reicht von 0 bis 1. Je n\u00e4her er an 1 liegt, desto \u00e4hnlicher sind die beiden Datens\u00e4tze.<\/span><\/p>\n Der Jaccard-\u00c4hnlichkeitsindex wird wie folgt berechnet:<\/span><\/p>\n Jaccard-\u00c4hnlichkeit<\/strong> = (Anzahl der Beobachtungen in beiden S\u00e4tzen) \/ (Anzahl in jedem Satz)<\/span><\/p>\n Oder in Notationsform geschrieben:<\/span><\/p>\n J(A, B) =<\/strong> |A\u2229B| \/ |A\u222aB|<\/span><\/p>\n Wenn zwei Datens\u00e4tze genau die gleichen Mitglieder haben, ist ihr Jaccard-\u00c4hnlichkeitsindex 1. Wenn sie hingegen keine gemeinsamen Mitglieder haben, ist ihre \u00c4hnlichkeit 0.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie der Jaccard-\u00c4hnlichkeitsindex f\u00fcr einige verschiedene Datens\u00e4tze berechnet wird.<\/span><\/p>\n Angenommen, wir haben die folgenden zwei Datens\u00e4tze:<\/span><\/p>\n Um die Jaccard-\u00c4hnlichkeit zwischen ihnen zu berechnen, ermitteln wir zun\u00e4chst die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen und dividieren dann durch die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen:<\/span><\/p>\n Der Jaccard-\u00c4hnlichkeitsindex betr\u00e4gt 0,4<\/strong> .<\/span><\/p>\n Angenommen, wir haben die folgenden zwei Datens\u00e4tze:<\/span><\/p>\n Um die Jaccard-\u00c4hnlichkeit zwischen ihnen zu berechnen, ermitteln wir zun\u00e4chst die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen und dividieren dann durch die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen:<\/span><\/p>\n Der Jaccard-\u00c4hnlichkeitsindex betr\u00e4gt 0<\/strong> . Dies weist darauf hin, dass die beiden Datens\u00e4tze keine gemeinsamen Mitglieder haben.<\/span><\/p>\n Beachten Sie, dass wir den Jaccard-\u00c4hnlichkeitsindex auch f\u00fcr Datens\u00e4tze verwenden k\u00f6nnen, die Zeichen anstelle von Zahlen enthalten.<\/span><\/p>\n Angenommen, wir haben die folgenden zwei Datens\u00e4tze:<\/span><\/p>\n Um die Jaccard-\u00c4hnlichkeit zwischen ihnen zu berechnen, ermitteln wir zun\u00e4chst die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen und dividieren dann durch die Gesamtzahl der Beobachtungen in beiden S\u00e4tzen:<\/span><\/p>\n Der Jaccard-\u00c4hnlichkeitsindex betr\u00e4gt 0,142857<\/strong> . Da diese Zahl recht niedrig ist, deutet dies darauf hin, dass die beiden S\u00e4tze sehr unterschiedlich sind.<\/span><\/p>\n Die<\/span> Jaccard-Distanz<\/strong> misst die Un\u00e4hnlichkeit<\/i> zwischen zwei Datens\u00e4tzen und wird wie folgt berechnet:<\/span><\/span><\/p>\n Jaccard-Distanz = 1 \u2013 Jaccard-\u00c4hnlichkeit<\/span><\/p>\n Diese Messung gibt uns eine Vorstellung davon, wie unterschiedlich zwei Datens\u00e4tze sind bzw. wie unterschiedlich<\/em> sie sind.<\/span><\/p>\n Wenn beispielsweise zwei Datens\u00e4tze eine Jaccard-\u00c4hnlichkeit von 80 % aufweisen, dann haben sie einen Jaccard-Abstand von 1 \u2013 0,8 = 0,2 oder 20 %.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man die Jaccard-\u00c4hnlichkeit mit unterschiedlicher Statistiksoftware berechnet:<\/span><\/p>\n So berechnen Sie die Jaccard-\u00c4hnlichkeit in R<\/a> Der Jaccard-\u00c4hnlichkeitsindex ist ein Ma\u00df f\u00fcr die \u00c4hnlichkeit zwischen zwei Datens\u00e4tzen. Der von Paul Jaccard entwickelte Index reicht von 0 bis 1. Je n\u00e4her er an 1 liegt, desto \u00e4hnlicher sind die beiden Datens\u00e4tze. Der Jaccard-\u00c4hnlichkeitsindex wird wie folgt berechnet: Jaccard-\u00c4hnlichkeit = (Anzahl der Beobachtungen in beiden S\u00e4tzen) \/ (Anzahl in jedem Satz) Oder in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel 1: Jaccard-\u00c4hnlichkeit<\/strong><\/span><\/h3>\n
A = [0, 1, 2, 5, 6, 8, 9]\nB = [0, 2, 3, 4, 5, 7, 9]<\/strong><\/pre>\n
\n
Beispiel 2: Jaccard-\u00c4hnlichkeit (Fortsetzung)<\/strong><\/span><\/h3>\n
C = [0, 1, 2, 3, 4, 5]\nD = [6, 7, 8, 9, 10]<\/strong><\/pre>\n
\n
Beispiel 3: Jaccard-\u00c4hnlichkeit f\u00fcr Zeichen<\/strong><\/span><\/h3>\n
E = ['cat', 'dog', 'hippo', 'monkey']\nF = ['monkey', 'rhino', 'ostrich', 'salmon']<\/strong><\/pre>\n
\n
Die Jaccard-Distanz<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie die Jaccard-\u00c4hnlichkeit in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"