Quand on compare deux listes, de mots, de clients ou d’espèces, il faut un seul nombre pour dire à quel point elles se ressemblent. Ce calculateur de similarité de Jaccard prend la taille de l’ensemble A, la taille de l’ensemble B et le nombre d’éléments communs pour donner la similarité de Jaccard, la distance de Jaccard, le coefficient de Sørensen–Dice, le coefficient de recouvrement et la taille de la réunion.
Comment se fait le calcul
- Réunion = |A| + |B| − |A ∩ B|, le nombre d’éléments différents dans les deux ensembles réunis.
- Similarité de Jaccard = |A ∩ B| ÷ |A ∪ B|. Elle vaut 0 % pour des ensembles sans rien en commun et 100 % pour des ensembles identiques. Distance de Jaccard = 100 % − la similarité.
- Coefficient de Sørensen–Dice = 2 × |A ∩ B| ÷ (|A| + |B|), qui donne plus de poids au recouvrement.
- Coefficient de recouvrement = |A ∩ B| ÷ la taille du plus petit ensemble. Il vaut 100 % lorsqu’un ensemble est entièrement contenu dans l’autre. Le nombre commun est plafonné à la taille du plus petit ensemble.
Exemple
L’ensemble A compte 45 éléments, l’ensemble B 60, et 30 éléments sont dans les deux. La réunion compte 45 + 60 − 30 = 75 éléments. La similarité de Jaccard est 30 ÷ 75 = 40 %, donc la distance de Jaccard est de 60 %. Le coefficient de Dice est 2 × 30 ÷ 105 = 57,14 %, et le coefficient de recouvrement est 30 ÷ 45 = 66,67 %, car le plus petit ensemble compte 45 éléments.
Pourquoi c’est utile
La mesure est un outil de base de la science des données, des moteurs de recherche, de l’écologie et de la génétique. Elle est simple, elle ne dépend pas de l’ordre des éléments, et elle se lit directement comme la part des éléments réunis que les deux ensembles contiennent.
À savoir
Le calculateur travaille avec des nombres d’éléments et non avec les éléments eux-mêmes, donc il suppose que les ensembles n’ont pas de doublons. Le nombre commun est limité à la taille du plus petit ensemble. Pour des données pondérées, où les éléments ont une importance différente, il faut un indice de Jaccard pondéré ou généralisé. Une forte similarité dit que les ensembles se recouvrent, pas qu’ils parlent de la même chose.
Outils liés
Le calculateur de diagramme de Venn compte les régions d’ensembles qui se recouvrent, et celui de pourcentage aide à exprimer les résultats en parts.