为什么scikit-learn的最近邻居似乎没有返回适当的余弦相似距离？

Question

我试图使用scikit的最近邻实现,从随机值矩阵中找到最接近给定列向量的列向量.

该代码应该找到第21列的最近邻居,然后检查这些邻居与第21列的实际余弦相似性.

from sklearn.neighbors import NearestNeighbors
import sklearn.metrics.pairwise as smp
import numpy as np

test=np.random.randint(0,5,(50,50))
nbrs = NearestNeighbors(n_neighbors=5, algorithm='auto', metric=smp.cosine_similarity).fit(test)
distances, indices = nbrs.kneighbors(test)

x=21   

for idx,d in enumerate(indices[x]):

    sim2 = smp.cosine_similarity(test[:,x],test[:,d])


    print "sklearns cosine similarity would be ", sim2
    print 'sklearns reported distance is', distances[x][idx]
    print 'sklearns if that distance was cosine, the similarity would be: ' ,1- distances[x][idx]

输出看起来像

sklearns cosine similarity would be  [[ 0.66190748]]
sklearns reported distance is 0.616586738214
sklearns if that distance was cosine, the similarity would be:  0.383413261786

因此,邻居的输出既不是余弦距离,也不是余弦相似度.是什么赋予了？

另外,另外,我认为sklearn的Nearest Neighbors实现不是近似最近邻居方法,但它似乎没有检测到我的数据集中的实际最佳邻居,相比之下,如果我迭代矩阵并检查我得到的结果列211与所有其他列的相似之处.我误解了一些基本的东西吗？

Answer 1

好的问题是,NearestNeighbors的.fit()方法默认假设行是样本而列是特征.我必须在将矩阵传递到适合之前对其进行转置.

编辑:另外,另一个问题是作为度量传递的可调用者应该是可调用的距离,而不是可调用的相似性.否则你会得到K最远的邻居:/