Likhetsmått

Likhetsmått är kvantitativa mått som används för att bestämma likheten mellan två objekt. Dessa objekt kan vara många olika saker, såsom dokument, bilder, ljudfiler, eller till och med enskilda datapunkter i en datamängd. Likhetsmått är fundamentala inom många områden, inklusive maskininlärning, information retrieval, och datorseende.

Ett likhetsmått genererar ett numeriskt värde där högre värden typiskt indikerar större likhet. Motsatsen, ett olikhetsmått eller avstånds­mått, genererar ett värde där lägre värden indikerar större likhet. Ofta kan ett avstånds­mått omvandlas till ett likhetsmått och vice versa.

Vanliga exempel på likhetsmått inkluderar Cosinuslikhet, som ofta används för att jämföra dokument baserat på deras ord­frekvenser, och Jaccardindex, som mäter likheten mellan två mängder. Manhattan­avstånd och Euklidiskt avstånd är exempel på avstånds­mått som kan användas för att mäta likheten mellan datapunkter i ett vektor­rum. Valet av likhetsmått beror starkt på datatypens natur och det specifika problemet som ska lösas. Till exempel kan Cosinuslikhet vara mer lämpligt för högdimensionella data med glesa vektorer, medan Euklidiskt avstånd kan vara mer intuitivt för data med lägre dimensioner.