Similitud coseno en numpy
Ahora que los documentos son vectores, ¿cómo mides si dos de ellos se "parecen"? El instinto es la distancia euclidiana (la distancia en línea recta), pero para texto es una trampa. Un documento largo repite palabras, así que su vector de recuentos es simplemente más grande, y la distancia euclidiana lo castiga por su longitud aunque el tema sea idéntico. Lo que de verdad te importa es la dirección: qué palabras y en qué proporción. Eso es lo que mide la similitud coseno.
La similitud coseno es el coseno del ángulo entre dos vectores:
cosine(a, b) = (a . b) / (|a| * |b|)donde a . b es el producto escalar y |a| es la longitud (la norma L2) de a. El valor cae en un rango limpio:
- 1.0 -> misma dirección (un documento y una copia de sí mismo agrandada).
- 0.0 -> ortogonales, sin dirección compartida (ninguna palabra en común).
- Valores intermedios -> solapamiento parcial.
Como divide por las longitudes, el coseno trata [1, 1] y [10, 10] como idénticos. Esa invariancia a la longitud es exactamente la razón por la que todo sistema de embeddings y RAG ordena por coseno y no por distancia euclidiana.
En numpy todo se reduce a tres llamadas:
import numpy as np
a = np.array([1, 2, 3], dtype=float)
b = np.array([2, 4, 6], dtype=float)
np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) # -> 1.0Hay un caso límite que te morderá en producción: el vector cero (un documento sin palabras del vocabulario) tiene longitud 0, y dividir por 0 da NaN, que luego envenena cualquier ordenación posterior. Una similitud robusta devuelve 0.0 cuando cualquiera de los dos vectores es todo ceros.
Construye cosine(a, b), que devuelva la similitud coseno como float, y que devuelva 0.0 (nunca NaN) cuando cualquiera de las entradas sea el vector cero. Las entradas pueden ser listas de Python o arrays de numpy.
Escribe cosine(a, b), que devuelva la similitud coseno de dos vectores: el producto escalar dividido por el producto de sus normas L2. Acepta listas de Python o arrays de numpy y devuelve un float. Los vectores paralelos devuelven 1.0, los ortogonales 0.0, y la función es simétrica. Si cualquiera de los vectores es todo ceros, devuelve 0.0 en lugar de dividir por cero y producir NaN.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.