Jaccard系数

Jaccard index, 又称为Jaccard相似系数（Jaccard similarity coefficient）用于比较有限样本集之间的相似性与差异性。Jaccard系数值越大，样本相似度越高。

定义

给定两个集合A,B，Jaccard 系数定义为A与B交集的大小与A与B并集的大小的比值，定义如下：

当集合A，B都为空时，J(A,B)定义为1。

与Jaccard 系数相关的指标叫做Jaccard 距离，用于描述集合之间的不相似度。Jaccard 距离越大，样本相似度越低。公式定义如下：

其中对参差（symmetric difference） 。

性质：

非对称二元属性的相似性

在数据挖掘领域，常常需要比较两个具有布尔值属性的对象之间的距离，Jaccard距离就是常用的一种方法。给定两个比较对象A，B。A, B 均有n个二元属性，即每个属性取值为{0,1}。定义如下4个统计量：  

M00：A,B属性值同时为0的属性个数；  

M01：A属性值为0且B属性值为1的属性个数；  

M10：A属性值为1且B属性值为0的属性个数；  

M11：A,B属性值同时为1的属性个数；

 

如下图数示：

显然有

Jaccard 系数：

Jaccard距离：

主要应用场景

1.比较文本相似度，用于文本查重与去重；

2.计算对象间距离，用于数据聚类等。