gelijkenispercentage

Gelijkenispercentage is een numerieke maat die aangeeft hoeveel twee objecten op elkaar lijken, uitgedrukt als een percentage tussen 0% en 100%. Een hogere waarde wijst op een grotere gelijkenis; 100% betekent identiek volgens de gebruikte maatstaf. De term wordt toegepast in verschillende vakgebieden, zoals tekstvergelijking, databankdeduplicatie en beeld- of audioanalyse, en er bestaat geen eenduidige, universele formule.

Berekening en methoden

Afhankelijk van het type data bestaan verschillende gangbare methoden. Voor tekst kan men de Levenshteinafstand gebruiken; gelijkenispercentage kan bijvoorbeeld worden berekend als 100 maal (1 minus afstand gedeeld door de maximale lengte van de twee strings). Bijvoorbeeld tussen "hond" en "pond" is de afstand 1, de maximale lengte 4, dus gelijkenis ≈ 75%. Voor verzamelingen geldt de Jaccard-coëfficiënt (intersection over union) maal 100. Voor vectorruimterepresentaties kan men cosine similarity gebruiken; bij afbeeldingen worden vaak structurele gelijkenis- of perceptuele maatstaven ingevoerd. De gekozen methode bepaalt hoe het percentage interpreteerbaar is.

Interpretatie en gebruik

Drempelwaarden voor wat als een “hoge” gelijkenis geldt, variëren per domein en per gebruikte methode. In plagiaatdetectie, deduplicatie of aanbevelingssystemen is het belangrijk rekening te houden met normalisatie, voorkeurslengtes en mogelijke bias door verwijzingen, opmaak of metadata. Een gelijkenispercentage geeft alleen een abstracte maat van overeenkomst en moet altijd worden beschouwd in de context van de gebruikte methode en data.

---