Pengenalan persamaan jaro–winkler (definisi dan contoh)

Dalam statistik, kesamaan Jaro-Winkler adalah cara untuk mengukur kesamaan antara dua string.

Kesamaan Jaro (sim _j ) antara dua string didefinisikan sebagai:

sim _j = 1/3 * ( m /|s ₁ | + m/|s ₂ | + (mt)/m )

Emas:

• m : Jumlah karakter yang cocok
  • Dua karakter s ₁ dan s ₂ dianggap cocok jika sama dan berjarak kurang dari [max(|s ₁ |, |s ₂ |) / 2] – berjarak 1 karakter.
• |s ₁ | , |s ₂ | : Panjang senar pertama dan kedua
• t : Jumlah transposisi
  • Dihitung sebagai jumlah karakter yang cocok (tetapi dalam urutan yang berbeda) dibagi 2.

Kesamaan Jaro-Winkler (sim _w ) didefinisikan sebagai:

sim _w = sim _j + lp(1 – sim _j )

Emas:

• sim _j : Kesamaan Jaro antara dua string, s ₁ dan s ₂
• l : Panjang awalan umum di awal string (maks 4 karakter)
• p : Faktor penskalaan yang menunjukkan seberapa besar skor disesuaikan ke atas agar memiliki awalan yang sama. Biasanya ini didefinisikan sebagai p = 0,1 dan tidak boleh melebihi p = 0,25.

Kesamaan Jaro-Winkler antara dua string selalu antara 0 dan 1 dimana:

• 0 menunjukkan tidak ada kesamaan antar string
• 1 menunjukkan bahwa stringnya sama persis

Catatan : Jarak Jaro-Winkler akan didefinisikan sebagai 1 – sim _w .

Contoh berikut menunjukkan cara menghitung kesamaan Jaro-Winkler antara dua string dalam praktiknya.

Contoh: menghitung kemiripan Jaro-Winkler antara dua string

Misalkan kita mempunyai dua string berikut:

• Saluran 1 (s ₁ ): mouse
• Saluran 2 (s ₂ ): bisu

Pertama, mari kita hitung kemiripan Jaro antara kedua string ini:

sim _j = 1/3 * ( m /|s ₁ | + m/|s ₂ | + (mt)/m )

Emas:

• m : Jumlah karakter yang cocok
  • Dua karakter s ₁ dan s ₂ dianggap cocok jika sama dan berjarak kurang dari [max(|s ₁ |, |s ₂ |) / 2] – berjarak 1 karakter.

Dalam hal ini, [maks(|s ₁ |, |s ₂ |) / 2] – 1 dihitung sebagai 5/2 – 1 = 1,5. Kami akan mendefinisikan tiga huruf yang sesuai: m, u, e. Jadi, m = 3 .

• |s ₁ | , |s ₂ | : Panjang senar pertama dan kedua

Dalam hal ini, |s ₁ | = 5 dan |s ₁ | = 4 .

• t : Jumlah transposisi
  • Dihitung sebagai jumlah karakter yang cocok (tetapi dalam urutan yang berbeda) dibagi 2.

Dalam hal ini terdapat tiga karakter yang cocok tetapi urutannya sudah sama, jadi t = 0 .

Jadi, kita akan menghitung kemiripan Jaro sebagai berikut:

sim _j = 1/3 * (3/5 + 3/4 + (3-0)/3) = 0,78333.

Selanjutnya mari kita hitung kemiripan Jaro-Winkler (sim _w ) sebagai berikut:

sim _w = sim _j + lp(1 – sim _j )

Dalam hal ini, kami akan menghitung:

sim _w = 0,78333 + (1)*(0,1)(1 – 0,78333) = 0,805.

Kemiripan Jaro-Winkler antara kedua rantai tersebut adalah 0,805 .

Karena nilai ini mendekati 1, ini memberitahu kita bahwa kedua string tersebut sangat mirip.

Kita dapat mengkonfirmasi kebenarannya dengan menghitung kesamaan Jaro-Winkler antara dua string di R:

 library (stringdist)

#calculate Jaro-Winkler similarity between 'mouse' and 'mute'
1 - stringdist("mouse", "mute", method = "jw", p= 0.1 )

[1] 0.805

Ini sesuai dengan nilai yang kami hitung secara manual.

Sumber daya tambahan

Tutorial berikut menjelaskan cara menghitung metrik kesamaan lainnya:

Pengantar ketidaksamaan Bray-Curtis
Pengantar indeks kesamaan Jaccard