Question

我的原始数据很大。关于：数据=

[[0, 0, 0, ......0]
 [0, 0.124, 0, ..0]
         .
         .
         .
 [0, 0, 0, 0, 0.174]]

data2 =

[[0, 0, 0, ......0]
 [0, 0.74, 0, ..,0]
         .
         .
         .
 [0, 0, 0.15, 0, 0]]

data和data2中的10个矩阵的每个矩阵的值均为3687

我想计算每个矩阵的余弦相似度，就像数据中的第一个矩阵计算data2中的第一个矩阵，第二个到最后一个矩阵一样，依此类推，我想获得10X10的相似度得分，我使用sklearn和sklearn .metrics.pairwise以拟合模型并计算余弦相似度：

import numpy as np
from sklearn import manifold
A = np.matrix(cop)
A = 1.-A
model = manifold.TSNE(metric="precomputed")
Y = model.fit_transform(A)

但它显示：

X should be a square distance matrix

我使用简单得多的数据作为试验，并且确实合适。

如何计算余弦相似度并获得10X10的余弦分数？

Answer 1

问题的确切性质取决于代码中的cop。您可能必须发布一个完整的错误代码示例，以获得良好的答案。

下面是将cosine_similarity与TSNE结合使用的完整示例（带有随机数据）：

import numpy as np
from sklearn import manifold
from sklearn.metrics.pairwise import cosine_similarity

data1 = np.random.rand(10,3687)
data2 = np.random.rand(10,3687)
dist = cosine_similarity(data1, data2)

model = manifold.TSNE(metric="precomputed")
Y = model.fit_transform(dist)

如何计算矩阵中的余弦相似度？

1 个答案: