Comparer les algorithmes de similarité

développer mon commentaire wiki-walk dans l'errata et notant que le rez-de-chaussée de la littérature sur la comparabilité des algorithmes qui s'appliquent à des problèmes similaires espaces, examinons l'applicabilité de ces algorithmes avant de déterminer s'ils sont numériquement comparables.

À Partir De Wikipedia, Jaro-Winkler:

en informatique et statistique, la distance Jaro-Winkler (Winkler, 1990) est une mesure de la similitude entre deux chaînes de caractères. Il est une variante de la métrique de distance Jaro (jaro, 1989, 1995) et principalement [citation nécessaire] utilisé dans le domaine du couplage d'enregistrements (duplicata détection.) Plus la distance Jaro–Winkler pour deux cordes est élevée,, plus les cordes sont semblables. La métrique de distance Jaro-Winkler est conçu et le mieux adapté pour les cordes courtes telles que les noms de personnes. Le le score est normalisé de telle sorte que 0 équivaut à aucune similitude et 1 est un exact correspondre.

Levenshtein:

en théorie de l'information et en informatique, la distance Levenshtein est une métrique de chaîne pour mesurer la quantité de différence entre deux séquence. Le terme distance d'édition est souvent utilisé pour désigner spécifiquement de Levenshtein.

la distance de Levenshtein entre deux cordes est définie comme minimum nombre de modifications nécessaires pour transformer une chaîne en une autre, avec les opérations d'édition autorisées étant l'insertion, la suppression, ou la substitution d'un seul caractère. Il porte le nom de Vladimir Levenshtein, qui a considéré cette distance en 1965.

distance euclidienne:

en mathématiques, la distance euclidienne ou métrique euclidienne est la distance "ordinaire" entre deux points que l'on mesurerait avec un règle, et est donné par la formule de Pythagore. En utilisant cette formule comme la distance, l'espace euclidien (ou même n'importe quel espace produit intérieur) devient un espace métrique. La norme associée est appelée la norme Euclidienne. La littérature plus ancienne se réfère à la métrique comme Pythagore métrique.

Et codage Q - ou n-gram:

Dans les domaines de la linguistique computationnelle et de la probabilité, un n-gramme est une séquence contiguë de n éléments à partir d'une séquence donnée de texte ou discours. Les éléments en question peuvent être phonèmes, Syllabes, lettre, mots ou paires de bases selon l'application. n-grammes sont extrait d'un corpus de textes ou de discours.

les deux noyaux avantages des modèles n-gram (et des algorithmes qui utilisent il s'agit d'une simplicité relative et de la possibilité d'augmenter l'échelle – en un modèle peut être utilisé pour stocker plus de contexte avec un un compromis espace-temps bien compris, permettant des expériences de petite envergure pour augmentez très efficacement.

le problème est ces algorithmes résoudre différents problèmes qui ont une applicabilité différente dans l'espace de tous les algorithmes possibles pour résoudre le la plus longue sous-suite communemétrique de celle-ci. En fait, tous ces sont encore métriques, comme certains d'entre eux ne remplissent pas les triangle de l'inégalité.

au lieu de sortir de votre chemin pour définir un stratagème douteux pour détecter la corruption de données, le faire correctement: en utilisant sommes et bits de parité pour vos données. n'essayez pas de résoudre un problème beaucoup plus difficile quand une solution plus simple fera l'affaire.