series_cosine_similarity()
Oblicz podobieństwo cosinusowe dwóch wektorów liczbowych.
Funkcja series_cosine_similarity()
przyjmuje dwie serie liczbowe jako dane wejściowe i oblicza podobieństwo cosinusu.
Składnia
series_cosine_similarity(
seria1,
seria2)
Dowiedz się więcej o konwencjach składniowych.
Parametry
Nazwa | Typ | Wymagane | Opis |
---|---|---|---|
seria1, seria2 | dynamic |
✔️ | Tablice wejściowe z danymi liczbowymi. |
Zwraca
Zwraca wartość typu real
, którego wartość jest podobieństwem cosinusu serii1 z serii 2.
W przypadku, gdy obie długości serii nie są równe, dłuższa seria zostanie obcięta na długość krótszej serii.
Każdy element nieliczbowy serii wejściowej zostanie zignorowany.
Uwaga
Jeśli jedna lub obie tablice wejściowe są puste, wynikiem będzie null
.
Optymalizacja wydajności
Aby zwiększyć wydajność i zmniejszyć wymagania dotyczące magazynu podczas korzystania z tej funkcji, rozważ użycie Vector16
zasad kodowania do przechowywania wektorów zmiennoprzecinkowych, które nie wymagają dokładności 64 bitów, takich jak osadzanie wektorów uczenia maszynowego. Vector16
Profil, który wykorzystuje reprezentację zmiennoprzecinkową Bfloat16, może znacznie zoptymalizować operację i zmniejszyć rozmiar magazynu o współczynnik 4. Aby uzyskać więcej informacji na temat Vector16
zasad kodowania, zobacz Typy zasad kodowania.
Przykład
datatable(s1:dynamic, s2:dynamic)
[
dynamic([0.1,0.2,0.1,0.2]), dynamic([0.11,0.2,0.11,0.21]),
dynamic([0.1,0.2,0.1,0.2]), dynamic([1,2,3,4]),
]
| extend cosine_similarity=series_cosine_similarity(s1, s2)
s1 | s2 | cosine_similarity |
---|---|---|
[0.1,0.2,0.1,0.2] | [0.11,0.2,0.11,0.21] | 0.99935343825504 |
[0.1,0.2,0.1,0.2] | [1,2,3,4] | 0.923760430703401 |
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla