Question

我试图找到两个文件之间的jaccard相似性。但是，我很难理解函数sklearn.metrics.jaccard_similarity_score()在幕后的作用。根据我的理解，Jaccard的sim =文档中术语的docs / union中的术语的交集。

考虑以下示例：我的两个文件的DTM是：

array([[1, 1, 1, 1, 2, 0, 1, 0],
       [2, 1, 1, 0, 1, 1, 0, 1]], dtype=int64)

以上功能。给我jaccard sim分数

print(sklearn.metrics.jaccard_similarity_score(tf_matrix[0,:],tf_matrix[1,:]))
0.25

我试图以自己的方式找到分数：

intersection of terms in both the docs = 4
total terms in doc 1 = 6
total terms in doc 2 = 6
Jaccard = 4/(6+6-4)= .5

有人可以帮助我了解我是否遗漏了一些明显的东西。

Answer 1

如上所述here：

在二元和多类分类中，Jaccard相似系数得分等于分类准确度。

因此，在您的示例中，它是计算匹配元素的比例。这就是为什么你得到0.25的结果。

Answer 2

据我

两个文档中的术语相交= 2。

根据各自的索引窥视相交。由于我们需要预测模型的正确值。

Normal Intersection =4。离开索引的顺序。

# so,
jaccard_score = 2/(6+6-4) = 0.25