知识卡片
距离接口不能当相似度接口
NLTK cosine_distance实际返回1减余弦相似度,所以越小越接近;本书正文称其计算相似度不够准确,代码找min_dist并最终打印1-min_dist才体现转换。不能把该返回值直接按越大越相似排序,替换度量时也需重新确认含义和范围。当前所选源码已核对这一公式,未执行。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
cosine_distance(v1,v2)函数来计算余弦相似度,这样就很容易比较两个文档的相似度。如示例4-10所显示的,所有的工作都是为了产生正确的单词向量;简而言之,就是通过将TF-IDF分数分配到向量中,从而对给定的文档计算单词向量。因为两个文档的词表可能不同,所以对在一个文档中不存在而在另外一个文档中存在的单词,要用0.0在向量中占位。这样的效果是
参考来源
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第4章《4.4.3 寻找相似文档》(spine87;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0076.html;u066-ch04-026)。
- 结论依据:原文在“cosine_distance”附近的定义、例子或代码支撑本卡核心说明:NLTK cosine_distance实际返回1减余弦相似度,所以越小越接近;本书正文称其计算相似度不够准确,代码找min_dist并最终打印1-min_dist才体现转换。边界按已读前提解释;示例未执行。
- 原始内容:cosine_distance(v1,v2)函数来计算余弦相似度,这样就很容易比较两个文档的相似度。如示例4-10所显示的,所有的工作都是为了产生正确的单词向量;简而言之,就是通过将TF-IDF分数分配到向量中,从而对给定的文档计算单词向量。因为两个文档的词表可能不同,所以对在一个文档中不存在而在另外一个文档中存在的单词,要用0.0在向量中占位。这样的效果是