相似度计算

相似度计算在数据挖掘和推荐系统中有着广泛的应用场景。例如：

• 在CF算法中，可以利用相似度计算用户之间或物品之间的相似度。
• 在利用k-means进行聚类时，利用相似度公式计算个体到簇类中心的距离，进而判断个体所属的类别。
• 利用KNN进行分类时，利用相似度计算个体与已知类别之间的相似性，从而判断个体所属的类别等。

下面依次介绍常见的相似度计算方法。

1. 欧式距离

from numpy import *

def EucideanDistance(a,b):
    return sqrt((a[0]-b[0])**2 + (a[1]-b[1])**2)

print('a,b二维欧式距离为：',EucideanDistance((1,1),(2,2)))

 

     2. 曼哈顿距离

from numpy import *

def ManhattanDistance(a,b):
    return abs(a[0]-b[0])+abs(a[1]-b[1])

print('a,b 二维曼哈顿距离为：', ManhattanDistance((1,1),(2,2)))

 

    3. 切比雪夫距离

from numpy import *

def ChebyshevDistance(a,b):
    return max(abs(a[0]-b[0]),abs(a[1]-b[1]))

print('a,b二维切比雪夫距离：', ChebyshevDistance((1,2),(3,4)))

 

     4. 余弦相似度

from numpy import *

def CosineSimilarity(a,b):
    cos = (a[0]*b[0]+a[1]*b[1])/(sqrt(a[0]**2+a[1]**2)*sqrt(b[0]**2+b[1]**2))
    return cos

print('a,b余弦相似度为：',CosineSimilarity((1,1),(2,2)))