Como calcular a similaridade de jaccard em r

O índice de similaridade de Jaccard mede a similaridade entre dois conjuntos de dados. Pode variar de 0 a 1. Quanto maior o número, mais semelhantes são os dois conjuntos de dados.

O índice de similaridade de Jaccard é calculado da seguinte forma:

Similaridade de Jaccard = (número de observações em ambos os conjuntos) / (número em qualquer conjunto)

Ou, escrito em forma de notação:

J(A,B) = |A∩B| / |A∪B|

Este tutorial explica como calcular a similaridade de Jaccard para dois conjuntos de dados em R.

Exemplo: semelhança de Jaccard em R

Suponha que tenhamos os seguintes dois conjuntos de dados:

 a <- c(0, 1, 2, 5, 6, 8, 9)
b <- c(0, 2, 3, 4, 5, 7, 9)

Podemos definir a seguinte função para calcular a similaridade de Jaccard entre os dois conjuntos:

 #define Jaccard Similarity function
jaccard <- function (a, b) {
    intersection = length ( intersect (a,b))
    union = length (a) + length (b) - intersection
    return (intersection/union)
}

#find Jaccard Similarity between the two sets 
jaccard(a, b)

0.4

A semelhança de Jaccard entre as duas listas é de 0,4 .

Observe que a função retornará 0 se os dois conjuntos não compartilharem valores:

 c <- c(0, 1, 2, 3, 4, 5)
d <- c(6, 7, 8, 9, 10)

jaccard(c, d)

[1] 0

E a função retornará 1 se os dois conjuntos forem idênticos:

 e <- c(0, 1, 2, 3, 4, 5)
f <- c(0, 1, 2, 3, 4, 5)

jaccard(e, f)

[1] 1

A função também funciona para conjuntos contendo strings:

 g <- c(' cat ', ' dog ', ' hippo ', ' monkey ')
h <- c(' monkey ', ' rhino ', ' ostrich ', ' salmon ')

jaccard(g, h)

0.142857

Você também pode usar esta função para encontrar a distância Jaccard entre dois conjuntos, que é a dissimilaridade entre dois conjuntos e é calculada como 1 – Similaridade Jaccard.

 a <- c(0, 1, 2, 5, 6, 8, 9)
b <- c(0, 2, 3, 4, 5, 7, 9)

#find Jaccard distance between sets a and b
1 - jaccard(a, b)

[1] 0.6

Consulte esta página da Wikipedia para saber mais sobre o Índice de Similaridade Jaccard.