Medir a similaridade entre os pontos de dados é essencial na análise de dados não supervisionados. Ajuda a identificar padrões, agrupamentos e relações dentro de conjuntos de dados sem rótulos predefinidos. Vários cálculos e métricas são usados para quantificar o quão parecidos ou diferentes são os pontos de dados.

Métricas de semelhança comum

Várias métricas são utilizadas para medir similaridade, cada uma adequada para diferentes tipos de dados e objetivos de análise. As mais comuns incluem distância euclidiana, similaridade cossena e índice de Jaccard.

Distância Euclidiana

A distância euclidiana calcula a distância reta entre dois pontos no espaço. É amplamente usada para dados numéricos e é calculada como a raiz quadrada da soma das diferenças ao quadrado em todas as características.

Semelhança Cossena

A similaridade cossena mede o cosseno do ângulo entre dois vetores. É especialmente útil para dados de alta dimensão, como análise de texto ou documento, onde a magnitude dos vetores é menos importante do que sua orientação.

Índice de Jaccard

O índice de Jaccard avalia a similaridade entre dois conjuntos dividindo o tamanho de sua interseção pelo tamanho de sua união. É comumente usado para dados binários ou categóricos.

  • Distância euclidiana
  • Similitude cossena
  • Índice de Jaccard
  • Distância de Manhattan
  • Coeficiente de correlação de Pearson