Cuando se comparan dos listas, de palabras, de clientes o de especies, hace falta un único número que diga cuánto se parecen. Esta calculadora de similitud de Jaccard toma el tamaño del conjunto A, el tamaño del conjunto B y el número de elementos comunes para dar la similitud de Jaccard, la distancia de Jaccard, el coeficiente de Sørensen–Dice, el coeficiente de solapamiento y el tamaño de la unión.
Cómo se hace el cálculo
- Unión = |A| + |B| − |A ∩ B|, el número de elementos distintos en los dos conjuntos juntos.
- Similitud de Jaccard = |A ∩ B| ÷ |A ∪ B|. Vale 0 % para conjuntos sin nada en común y 100 % para conjuntos idénticos. Distancia de Jaccard = 100 % − la similitud.
- Coeficiente de Sørensen–Dice = 2 × |A ∩ B| ÷ (|A| + |B|), que da más peso al solapamiento.
- Coeficiente de solapamiento = |A ∩ B| ÷ el tamaño del conjunto más pequeño. Vale 100 % cuando un conjunto está totalmente contenido en el otro. El número común se limita al tamaño del conjunto más pequeño.
Ejemplo
El conjunto A tiene 45 elementos, el conjunto B 60, y 30 elementos están en los dos. La unión tiene 45 + 60 − 30 = 75 elementos. La similitud de Jaccard es 30 ÷ 75 = 40 %, así que la distancia de Jaccard es del 60 %. El coeficiente de Dice es 2 × 30 ÷ 105 = 57,14 %, y el coeficiente de solapamiento es 30 ÷ 45 = 66,67 %, porque el conjunto más pequeño tiene 45 elementos.
Por qué es útil
La medida es una herramienta básica de la ciencia de datos, de los buscadores, de la ecología y de la genética. Es sencilla, no depende del orden de los elementos y se lee directamente como la parte de los elementos reunidos que contienen los dos conjuntos. Se estudia, por ejemplo, en asignaturas de minería de datos, recuperación de información y bioestadística de los grados de Informática y de Biología.
Conviene saber
La calculadora trabaja con números de elementos y no con los elementos en sí, así que supone que los conjuntos no tienen duplicados. El número común se limita al tamaño del conjunto más pequeño. Para datos ponderados, en los que los elementos tienen distinta importancia, hace falta un índice de Jaccard ponderado o generalizado. Una similitud alta dice que los conjuntos se solapan, no que traten de lo mismo.
Herramientas relacionadas
La calculadora de diagramas de Venn cuenta las regiones de conjuntos que se solapan, y la de porcentajes ayuda a expresar los resultados en partes.