Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment calculer la similarité cosinus en Python



La similarité cosinus est une mesure de la similarité entre deux vecteurs d’un espace produit interne.

Pour deux vecteurs, A et B, la similarité cosinus est calculée comme suit :

Similarité cosinus = ΣA i B i / (√ΣA i 2 √ΣB i 2 )

Ce tutoriel explique comment calculer la similarité cosinus entre vecteurs en Python à l’aide des fonctions de la bibliothèque NumPy .

Similitude cosinus entre deux vecteurs en Python

Le code suivant montre comment calculer la similarité cosinus entre deux tableaux en Python :

from numpy import dot
from numpy.linalg import norm

#define arrays
a = [23, 34, 44, 45, 42, 27, 33, 34]
b = [17, 18, 22, 26, 26, 29, 31, 30]

#calculate Cosine Similarity
cos_sim = dot(a, b)/(norm(a)*norm(b))

cos_sim

0.965195008357566

La similarité cosinus entre les deux tableaux s’avère être 0,965195 .

Notez que cette méthode fonctionnera sur deux tableaux de n’importe quelle longueur :

import numpy as np
from numpy import dot
from numpy.linalg import norm

#define arrays
a = np.random.randint(10, size=100)
b = np.random.randint(10, size=100)

#calculate Cosine Similarity
cos_sim = dot(a, b)/(norm(a)*norm(b))

cos_sim

0.7340201613960431

Cependant, cela ne fonctionne que si les deux tableaux sont de même longueur :

import numpy as np
from numpy import dot
from numpy.linalg import norm

#define arrays
a = np.random.randint(10, size=90) #length=90
b = np.random.randint(10, size=100) #length=100

#calculate Cosine Similarity
cos_sim = dot(a, b)/(norm(a)*norm(b))

cos_sim

ValueError: shapes (90,) and (100,) not aligned: 90 (dim 0) != 100 (dim 0)

Remarques

1. Il existe plusieurs façons de calculer la similarité cosinus à l’aide de Python, mais comme l’explique ce fil de discussion Stack Overflow , la méthode expliquée dans cet article s’avère être la plus rapide.

2. Reportez-vous àcette page Wikipédia pour en savoir plus sur la similarité cosinus.

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *