Målelikhet mellom datapunkter er viktig i uovervåket dataanalyse. Det hjelper å identifisere mønstre, grupperinger og relasjoner i datasett uten forhåndsdefinerte etiketter. Ulike beregninger og metrologier brukes til å kvantifisere hvor like eller forskjellige datapunkter er.

Vanlige likhetsmetriks

Flere metrikker brukes til å måle likhet, hver egnet for ulike typer data og analysemål. De vanligste inkluderer euklidisk avstand, cosinuslikhet og Jaccard indeks.

Eukliden avstand

Euklidan avstand beregner den rette avstanden mellom to punkter i rommet. Den brukes mye til numeriske data og beregnes som kvadratroten til summen av kvadratiske forskjeller på tvers av alle funksjoner.

Kosin Lignende

Kosinuslikhet måler vinkelens cosinus mellom to vektorer. Det er spesielt nyttig for høydimensjonale data, som tekst eller dokumentanalyse, hvor vektorenes størrelse er mindre viktig enn deres orientering.

Jaccard Index

Jaccard-indeksen vurderer likheten mellom to sett ved å dele størrelsen på sitt kryss etter størrelsen på deres union. Den brukes vanligvis til binære eller kategoriske data.

  • Eukliden avstand
  • Kosinuslikhet
  • Jaccard indeks
  • Manhattan avstand
  • Pearson korrelasjonskoeffisient