cosine_similarity#
- sklearn.metrics.pairwise.cosine_similarity(X, Y=None, dense_output=True)#
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，通过计算X和Y的归一化点积来计算相似度：
K(X, Y) = <X, Y> / (||X||*||Y||)
在L2归一化数据上，此函数等效于linear_kernel。
更多信息请参阅 用户指南 。
- Parameters:
- X{array-like, sparse matrix}，形状为 (n_samples_X, n_features)
输入数据。
- Y{array-like, sparse matrix}，形状为 (n_samples_Y, n_features)，默认=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_outputbool, 默认=True
即使输入是稀疏的，是否返回稠密输出。如果为
False，则当两个输入数组都是稀疏时，输出是稀疏的。Added in version 0.17: 参数
dense_output用于稠密输出。
- Returns:
- similaritiesndarray 或 sparse matrix，形状为 (n_samples_X, n_samples_Y)
返回X和Y中样本之间的余弦相似度。
Examples
>>> 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...]])
