Python 余弦相似性与余弦距离

我有一组文档，如下例所示

doc1 = {'Science': 0, 'History': 0, 'Politics': 0.15,... 'Sports': 0}
doc2 = {'Science': 0.3, 'History': 0.5, 'Politics': 0.1,... 'Sports': 0}

我使用上述向量（我的向量大多是稀疏向量）使用DBSCAN对这些文档进行了聚类。我知道“余弦相似性”对于计算稀疏向量非常有效。但是，根据sklearn.DBSCAN fit文档，您应该使用距离矩阵作为DBSCAN的输入。因此，我想知道如果我用“余弦相似性”而不是“余弦距离”是否是错误的

请让我知道什么是最适合我的问题的方法。是DBSCAN使用余弦距离还是DBSCAN使用余弦相似性

# Fit DBSCAN using cosine distance
db = DBSCAN(min_samples=1, metric='precomputed').fit(pairwise_distances(feature_matrix, metric='cosine'))

或

# Fit DBSCAN using cosine similarity
    db = DBSCAN(min_samples=1, metric='precomputed').fit(1-pairwise_distances(feature_matrix, metric='cosine'))

---

如果传递一个距离矩阵，它将是O（n²）

如果您传递实际数据，代码可以使用索引使其比此更快。所以我宁愿尝试

metric=“cosine”

---

DBSCAN可以通过相似性而不是距离来实现（c.f.广义DBSCAN）。我相信我在ELKI中看到了这一点，但在sklearn中没有看到。在sklearn中，您可以使用具有上述缺点的

余弦距离

。

谢谢您的回答：）您的意思是我们不能在sklearn中的DBSCAN实现中使用余弦相似性？您可以简单地使用余弦距离而不是相似性。你的ε需要是余弦距离，而不是余弦相似性。但我不认为这是“不可能的”…我们可以使用

db=DBSCAN（minu samples=1，metric='precomputed'）.fit（成对距离（特征矩阵，metric='cosine'）

？

DBSCAN的minu samples

应该大于2，否则它不是基于密度的。我看不到预计算距离矩阵的任何好处。使用

metric=“cosine”

，sklearn中的DBSCAN实现甚至可以做到这一点。但是距离矩阵需要O（n²）内存，也就是说，它的伸缩性不好。为什么要强迫它使用一种不好的方法？让DBSCAN函数来决定。请注意，问题是关于余弦距离与余弦相似性。您建议的代码也是距离，而不是相似性。Sklearn已经可以使用余弦距离进行DBSCAN，但不能使用相似性。