我希望将我正在使用scikit-learn的TfidfVectorizer的文本文档的相似性可视化为tfidf = TfidfVectorizer(decode_error='ignore', max_df=3).fit_transform(data)
然后执行余弦相似度计算为cosine_similarity = (tfidf*tfidf.T).toarray()
给出相似性但sklearn.manifold.MDS需要相异矩阵。当我给出1-cosine_similarity时，应该为零的对角线值不为零。它们是一些小的值，如1.12e-9等。两个问题：
1）如何在MDS中使用相似度矩阵，或者如何将相似度矩阵更改为相异度矩阵？
2）在MDS中，有一个选项dissimilarity，其值可以是'precomputed'或'euclidean'。两者之间的区别是什么，因为当我给出欧几里德时，MDS坐标变得相同，无论我是使用cosine_similarity还是1-cosine_similarity看起来都不对。
谢谢！
答案 0 :(得分：1)
我真的不明白你的余弦变换（因为我看不到余弦/角度），我不知道TfidfVectorizer的功能，但我会尝试回答你的两个问题：
1）通常，（不相似度= 1-相似度） - 方法对于矩阵中的所有条目都在-1和1之间的情况是有效的。假设距离矩阵d = cosine_similarity是这样的对称距离矩阵向上您可以申请的数字文物
dissimilarity_clean = 1 - np.triu(d)+np.triu(d).T-np.diag(np.ones(len(d)))
纠正人工制品。当使用numpys corrcoef（X）基于Pearson相关系数创建相异矩阵时，可能需要相同的操作。两个侧节点：1。对于非有界相似性度量，您仍然可以提出等效方法。 2.在使用MDS的情况下，您可以考虑使用更接近欧氏距离（并且不受限制）的测量，因为这对于MDS来说是更自然的选择并且导致更好的结果。
2）使用预先计算的＆＃39;选项假定您使用预先计算的相异性矩阵（您的方案）提供MDS的.fit（X =相似度矩阵）方法。使用相异性=＆＃39;欧几里得＆＃39;而是计算你传递给.fit（X =数据）的数据的欧几里德距离矩阵。
希望这有帮助！