原文地址:http://blog.csdn.net/linvo/article/details/9333019
两者相同的地方,就是在机器学习中都可以用来计算相似度,但是两者的含义有很大差别,以我的理解就是:
前者是看成坐标系中两个点,来计算两点之间的距离;
后者是看成坐标系中两个向量,来计算两向量之间的夹角。
前者因为是点,所以一般指位置上的差别,即距离;
后者因为是向量,所以一般指方向上的差别,即所成夹角。
如下图所示:
数据项A和B在坐标图中当做点时,两者相似度为距离dist(A,B),可通过欧氏距离(也叫欧几里得距离)公式计算:
当做向量时,两者相似度为cosθ,可通过余弦公式计算:
假设||A||、||B||表示向量A、B的2范数,例如向量[1,2,3]的2范数为:
√(1²+2²+3²) = √14
numpy中提供了范数的计算工具:linalg.norm()
所以计算cosθ起来非常方便(假定A、B均为列向量):
- num = float(A.T * B) #若为行向量则 A * B.T
- denom = linalg.norm(A) * linalg.norm(B)
- cos = num / denom #余弦值
- sim = 0.5 + 0.5 * cos #归一化
因为有了linalg.norm(),欧氏距离公式实现起来更为方便:
- dist = linalg.norm(A - B)
- sim = 1.0 / (1.0 + dist) #归一化
关于归一化:
因为余弦值的范围是 [-1,+1] ,相似度计算时一般需要把值归一化到 [0,1],一般通过如下方式:
sim = 0.5 + 0.5 * cosθ
若在欧氏距离公式中,取值范围会很大,一般通过如下方式归一化:
sim = 1 / (1 + dist(X,Y))
说完了原理,简单扯下实际意义,举个栗子吧:
例如某T恤从100块降到了50块(A(100,50)),某西装从1000块降到了500块(B(1000,500))
那么T恤和西装都是降价了50%,两者的价格变动趋势一致,余弦相似度为最大值,即两者有很高的变化趋势相似度
但是从商品价格本身的角度来说,两者相差了好几百块的差距,欧氏距离较大,即两者有较低的价格相似度