子集合をもつ集合間の類似度

Question

ベストアンサーはつけましたが、その他アイデアや情報等ありましたら回答お宜しくお願いします

aからzまでの文字列をmodel_1からmodel_Nまでのルールに基づいて分類した結果を
下記のようにあらわした時、各分類手法の類似度を求める方法ってあるでしょうか？
各子集合の類似度を、総当たり＆Jaccard指数を用いて求めて合計が最大のものを類似度として計算していましたが、
子集合の数が異なった場合にうまくいかなかったり、子集合数や分類数が多くなった場合の計算量が多いので
他に何かいい方法が無いか検討しています。
基本的にPythonとRで分析することが多いので、サンプル、論文等やツールの紹介などしていただけたら幸いです。
Hadoop、Hivemall、Jubatusなども使うことが多いのでそちらのサンプルでもかまいません。

model_1 = [["a","b","c","d"],["e","f","g","h","i"],["j","k","l"],["m","n","o","p","q","r","s","t","u"],["v","w","x","y","z"]]
model_2 = [["e","f","g","h","i"],["j","k","l"],["b","c","d"],["m","n","o","p","q","r","s","t","u"],["a","v","w","x","y","z"]]
・
・
model_N = [["e","f","g","h","i"],["j","k","l"],["b","c","d"],["m","n","o"],["p"],["q","r","s","t","u"],["a"],["v","w"],["x","y","z"]]

Answer 1

ある分類結果の特徴は【相異なる2文字が同じグループに含まれるか】の配列として表せます。
アルファベット26文字ですから、(26*25)/2=325通りの組み合わせについて【同じグループに含まれるか】がありますね。325ビットの特徴値となります。325次元のブーリアンベクトルとも言えます。

分類結果同士の比較は、この325次元ブーリアンベクトル同士のマンハッタン距離、すなわち相違しているビットの個数としてもいいですし、その平方根を取ってユークリッド距離としてもいいでしょう。

このようなアプローチはいかがでしょうか？

Comments

[fsoe]

自分に全く無い発想だったのでベストアンサーとします。