Update similarity calc
This commit is contained in:
@@ -5,13 +5,14 @@ namespace Similarity
|
||||
{
|
||||
// float euclidean_distance(Dna *d1, Dna *d2); direct distance betwen vector. wont give 0 and 1
|
||||
// float dot_product(Dna *d1, Dna *d2); doent return betwen 0 to 1
|
||||
float cosine_similarity(Dna *d1, Dna *d2);
|
||||
float cosine_similarity_int(Dna *d1, Dna *d2);
|
||||
// float cosine_similarity(Dna *d1, Dna *d2);
|
||||
// float cosine_similarity_int(Dna *d1, Dna *d2);
|
||||
float hamming_distance(Dna *d1, Dna *d2);
|
||||
float hamming_distance_without_seeds(Dna *d1, Dna *d2);
|
||||
// float jaccard_index(Dna *d1, Dna *d2); // primerja unio genov naprimer gleda ce je gen za nebo isti z genom za barvo za liste, to nerabimo
|
||||
// float levenshtein_distance(Dna *d1, Dna *d2); // odstranjen ker mi vrne iste podatke kot hamming distance ki je bolj enostaven za izracun
|
||||
// float needleman_wunsch(Dna *d1, Dna *d2); used for bioinformatics and aligment. Dont need its aligned alredy
|
||||
|
||||
typedef float(simil_func)(Dna *d1, Dna *d2);
|
||||
float calc_similarity(std::vector<Dna> &vec, simil_func f);
|
||||
float calc_similarity(std::vector<Dna> &vec, simil_func f = hamming_distance_without_seeds);
|
||||
}
|
@@ -7,50 +7,50 @@ namespace Similarity
|
||||
// 0 -> -128
|
||||
// 255 -> 127
|
||||
// int8_t = uint8_t - 128
|
||||
float cosine_similarity(Dna *d1, Dna *d2)
|
||||
{
|
||||
uint8_t *d1a = (uint8_t *)d1;
|
||||
uint8_t *d2a = (uint8_t *)d2;
|
||||
// float cosine_similarity(Dna *d1, Dna *d2)
|
||||
// {
|
||||
// uint8_t *d1a = (uint8_t *)d1;
|
||||
// uint8_t *d2a = (uint8_t *)d2;
|
||||
|
||||
float mag1 = 0.0f;
|
||||
float mag2 = 0.0f;
|
||||
float dot_prod = 0.0f;
|
||||
for (size_t i = 0; i < sizeof(Dna); i++)
|
||||
{
|
||||
dot_prod += d1a[i] * d2a[i];
|
||||
mag1 += d1a[i] * d1a[i];
|
||||
mag2 += d2a[i] * d2a[i];
|
||||
}
|
||||
mag1 = sqrt(mag1);
|
||||
mag2 = sqrt(mag2);
|
||||
// float mag1 = 0.0f;
|
||||
// float mag2 = 0.0f;
|
||||
// float dot_prod = 0.0f;
|
||||
// for (size_t i = 0; i < sizeof(Dna); i++)
|
||||
// {
|
||||
// dot_prod += d1a[i] * d2a[i];
|
||||
// mag1 += d1a[i] * d1a[i];
|
||||
// mag2 += d2a[i] * d2a[i];
|
||||
// }
|
||||
// mag1 = sqrt(mag1);
|
||||
// mag2 = sqrt(mag2);
|
||||
|
||||
return dot_prod / (mag1 * mag2);
|
||||
}
|
||||
// return dot_prod / (mag1 * mag2);
|
||||
// }
|
||||
|
||||
float cosine_similarity_int(Dna *d1, Dna *d2)
|
||||
{
|
||||
auto map = [](uint8_t a) -> int8_t
|
||||
{ return a - 128; };
|
||||
// float cosine_similarity_int(Dna *d1, Dna *d2)
|
||||
// {
|
||||
// auto map = [](uint8_t a) -> int8_t
|
||||
// { return a - 128; };
|
||||
|
||||
uint8_t *d1a = (uint8_t *)d1;
|
||||
uint8_t *d2a = (uint8_t *)d2;
|
||||
// uint8_t *d1a = (uint8_t *)d1;
|
||||
// uint8_t *d2a = (uint8_t *)d2;
|
||||
|
||||
float mag1 = 0.0f;
|
||||
float mag2 = 0.0f;
|
||||
float dot_prod = 0.0f;
|
||||
for (size_t i = 0; i < sizeof(Dna); i++)
|
||||
{
|
||||
int8_t a = map(d1a[i]);
|
||||
int8_t b = map(d2a[i]);
|
||||
dot_prod += a * b;
|
||||
mag1 += a * a;
|
||||
mag2 += b * b;
|
||||
}
|
||||
mag1 = sqrt(mag1);
|
||||
mag2 = sqrt(mag2);
|
||||
// float mag1 = 0.0f;
|
||||
// float mag2 = 0.0f;
|
||||
// float dot_prod = 0.0f;
|
||||
// for (size_t i = 0; i < sizeof(Dna); i++)
|
||||
// {
|
||||
// int8_t a = map(d1a[i]);
|
||||
// int8_t b = map(d2a[i]);
|
||||
// dot_prod += a * b;
|
||||
// mag1 += a * a;
|
||||
// mag2 += b * b;
|
||||
// }
|
||||
// mag1 = sqrt(mag1);
|
||||
// mag2 = sqrt(mag2);
|
||||
|
||||
return dot_prod / (mag1 * mag2);
|
||||
}
|
||||
// return dot_prod / (mag1 * mag2);
|
||||
// }
|
||||
|
||||
float hamming_distance(Dna *d1, Dna *d2)
|
||||
{
|
||||
@@ -67,6 +67,23 @@ namespace Similarity
|
||||
return 1 - (distance / sizeof(Dna));
|
||||
}
|
||||
|
||||
float hamming_distance_without_seeds(Dna *d1, Dna *d2)
|
||||
{
|
||||
constexpr size_t start = sizeof(uint128) * 3;
|
||||
constexpr size_t end = sizeof(Dna);
|
||||
uint8_t *d1a = (uint8_t *)d1;
|
||||
uint8_t *d2a = (uint8_t *)d2;
|
||||
float distance = 0;
|
||||
for (size_t i = start; i < end; i++)
|
||||
{
|
||||
if (d1a[i] != d2a[i])
|
||||
{
|
||||
distance++;
|
||||
}
|
||||
}
|
||||
return 1 - (distance / (end - start));
|
||||
}
|
||||
|
||||
float calc_similarity(std::vector<Dna> &vec, simil_func f)
|
||||
{
|
||||
size_t num_pairs = (vec.size() * (vec.size() - 1)) / 2;
|
||||
|
Reference in New Issue
Block a user