Scipy Cosine podobieństwo

Obliczenia statystyczne i matematyczne w Pythonie stały się bardzo łatwe i proste ze względu na bibliotekę Scipy. Zapewnia nam tak wiele przydatnych funkcji, które należy użyć do obliczeń matematycznych i statystycznych. Każda funkcja może być automatycznie wykonana z funkcjami i metodami podanymi w bibliotece Scipy, od obliczania prostych sum do skomplikowanych odchyleń standardowych. Zaprojektowaliśmy ten artykuł, aby wyjaśnić, jak uzyskać podobieństwo cosinus w programie Python. Dążymy do wyjaśnienia funkcji cosinus biblioteki Scipy w tym przewodniku.

Co to jest cosinus podobieństwo?

Zasadniczo podobieństwo cosinus jest miarą podobieństwa między dwoma zestawami danych. Podobnie, podobieństwo cosinus w analizie danych jest miarą podobieństwa między dwiema danymi sekwencjami danych. Tutaj sekwencja danych jest uważana za wektor. Aby obliczyć podobieństwo cosinus, mamy następującą formułę:

Dowiedzmy się teraz, jak obliczyć podobieństwo cosinus między dwoma wektorami przy użyciu tej formuły w programie Python. Wyjaśnimy, jak użyć tej samej formuły w programie Python za przyjęcie. Następnie przejdziemy do korzystania z funkcji cosinus, która automatycznie wykonuje wszystkie obliczenia formuły w zapleczu.

Przykład 1:

Po pierwsze, musimy zrozumieć, w jaki sposób obliczane jest podobieństwo cosinus, abyśmy wiedzieli dokładnie, jak działa funkcja cosinus w bibliotece Scipy. Rozważ następujący przykład przykładowy, aby zrozumieć, jak obliczyć formułę podobieństwa cosinus w programie Python. Zobacz następujący przykładowy kod:

importować Numpy jako NP
od Numpy.Linalg Normy importu
wektor1 = np.tablica ([2, 1, 2, 1, 2, 1])
wektor2 = np.tablica ([4, 5, 3, 2, 6, 7])
pro = np.DOT (Vector1, Vector2)
Normal = (norma (vector1)*norma (wektor2))
cosim = pro/normalne
Drukuj („Cosine podobieństwo:”, cosim)

Najpierw musimy zaimportować wszystkie wymagane biblioteki, aby korzystać z funkcji powiązanych z nimi. Tak więc biblioteka Numpy jest importowana jako NP w programie. Numpy.Pakiet Linalg jest również importowany, aby korzystać z funkcji Norm. Dwie tablice są zadeklarowane, aby znaleźć między nimi podobieństwo cosinus. Produkt obu tablic jest pobierany za pomocą funkcji dot (). Aby znaleźć normę utworzonej tablicy, funkcja normy () jest uruchomiona.

Obliczanie pierwiastka kwadratowego sumy kwadratów dostarczonych danych daje normę. Produkt norm obu tablic jest pobierany. Następnie produkt tablicy jest przez niego podzielony. Ponieważ wiemy, że formuła znalezienia podobieństwa cosinus jest cos (x, y) = (x * y) / (|| x || * || y ||), to samo jest obliczane z wbudowanymi funkcjami Pythona. Teraz zobaczmy obliczone podobieństwo cosinus w następującej ilustracji:

Teraz, gdy zrozumieliśmy, jak ręcznie obliczyć podobieństwo cosinus zarówno według funkcji Formuły, jak i Pythona, poznajmy i zrozummy, jak automatycznie obliczyć podobieństwo cosinus za pomocą wbudowanej funkcji cosinus biblioteki Scipy Biblioteka. Zobacz następującą składnię funkcji cosinus:

Funkcja cosinus pobiera dwie tablice wejściowe, które używały do ​​znalezienia podobieństwa cosinusa i opcjonalnej tablicy ciężarów, w których wagi każda wartość w 2 tablicach wejściowych. Tablica wagi jest opcjonalna, a jej domyślna wartość to brak. Powoduje to nadanie 1 wagi każdej wartości w tablicach wejściowych. Funkcja cosinus zwraca podobieństwo cosinus między danymi dwoma macierzami wejściowymi lub wektorami. Teraz zrozummy to wszystko za pomocą przykładów.

Przykład 2:

W tym przykładzie użyjemy funkcji cosinus z biblioteki Scipy, aby automatycznie obliczyć podobieństwo cosinus między danymi danymi. Zobaczmy, jak korzystać z tej funkcji w programie Python. Rozważ następujący przykładowy kod:

importować Numpy jako NP
od Scipy.odległość importu przestrzennego
wektor1 = np.tablica ([2, 1, 2, 1, 2, 1])
wektor2 = np.tablica ([4, 5, 3, 2, 6, 7])
cosim = odległość.cosinus (Vector1, Vector2)
Drukuj („Cosine podobieństwo:”, cosim)

Dwie biblioteki są importowane do programu, Numpy i Scipy. Zmienna NP reprezentuje bibliotekę Numpy w całym programie, a biblioteka Scipy jest importowana w celu wywołania pakietu przestrzennego i jej metody odległości do programu, ponieważ używamy funkcji cosinus w naszym programie. Klasa odległości zapewnia funkcję cosinus, dlatego musimy wywołać funkcję cosinus z klasy odległości. Zastosowane są te same dane wejściowe, co w pierwszym przykładzie. Obie tablice są przekazywane do funkcji cosinus i są wyświetlane na ekranie za pomocą polecenia drukowania. Teraz zobaczmy następujące dane wyjściowe:

Przykład 3:

Teraz podajmy złożone dane dla funkcji cosinus. Jak widzieliśmy, funkcja cosinusa doskonale oblicza podobieństwo cosinus. Przetestujmy tę funkcję z dużymi i złożonymi danymi. Po pierwsze, używamy tylko normalnej tablicy. W tym przykładzie podajmy wielowymiarowe tablice, abyśmy mogli lepiej zrozumieć działanie funkcji cosinus. Rozważ następujący przykładowy kod:

importować Numpy jako NP
od Scipy.odległość importu przestrzennego
wektor1 = np.tablica ([[2, 1, 2], [1, 2, 1], [3, 3, 3]])
wektor2 = np.tablica ([[4, 5, 3], [2, 6, 7], [9, 7, 8]])
cosim = odległość.cosinus (Vector1, Vector2)
Drukuj („Cosine podobieństwo:”, cosim)

Tutaj widać, że dostarczyliśmy tablice wielowymiarowe i przekazaliśmy te tablice do funkcji cosinus. Zobaczmy teraz, jaki wynik wytwarza funkcja cosinus. Zobacz następujący wynik:

Jak widać, kompilator podniósł ValueerRor, który wskazuje, że dane wejściowe muszą wynosić 1-D. Ponieważ podaliśmy wielowymiarowe dane tablicy, funkcja cosinusa odrzuciła dane wejściowe, ponieważ nie oblicza podobieństwa cosinusu na tablicach wielowymiarowych. Wymaga tylko jednowymiarowej tablicy wejściowej. Aby uniknąć wyjątku ValueError, musimy upewnić się, że dane wejściowe powinny znajdować się w formie 1-D.

Wniosek

Mieliśmy szybki przegląd funkcji podobieństwa cosinus. Po pierwsze, dowiedzieliśmy się, czym jest podobieństwo cosinusowe i rozumiemy formułę obliczania podobieństwa cosinusów, pokazując przykład. Następnie dowiedzieliśmy się, jakie jest podobieństwo cosinus scipy i zbadaliśmy niektóre przykłady, aby dowiedzieć się, w jaki sposób funkcje cosinus z biblioteki Scipy automatycznie oblicza podobieństwo cosinus między danymi danymi. Dowiedzieliśmy się również, że funkcja cosinus przyjmuje tylko dane 1-D jako dane wejściowe. W przypadku tablic wielowymiarowych rzuca wyjątek ValueError.