Calculatrice Indice de Jaccard (Similarite Ensembles, Tanimoto)

Calculatrice indice de Jaccard J(A,B) = |A∩B|/|A∪B|: ensembles, vecteurs binaires, n-grammes, Jaccard pondere, comparaison Sorensen-Dice et applications NLP.

Paramètres de calcul
Ce calculateur vous a-t-il été utile ?

Indice de Jaccard

Indice de Jaccard mesure similarite entre deux ensembles A, B comme rapport |A ∩ B| / |A ∪ B|. Range [0, 1]. Introduit par Paul Jaccard 1901 pour flore alpine. Aujourd hui standard en NLP, bioinformatique, recommandeurs, CV.

Définition

  • |A ∩ B|: éléments communs.
  • |A ∪ B|: éléments distincts totaux.
  • J = |A ∩ B| / |A ∪ B|.
  • d_J = 1 - J: distance.

Exemple: A={a,b,c,d}, B={c,d,e,f}. J = 2/6 = 0.333.

Version binaire (Tanimoto)

Vecteurs 0/1: J = n_11 / (n_11 + n_10 + n_01). Exclut n_00.

Sorensen-Dice

D = 2|A∩B|/(|A|+|B|). D = 2J/(1+J). Dice donne plus de poids a intersection.

d_J est metrique

Levandowsky-Winter 1971: d_J = 1 - J satisfait triangulaire. Metrique vraie.

Comparaison documents

Textes comme ensembles de mots ou n-grammes. J eleve = documents similaires.

Jaccard pondere (Ruzicka)

J_w = sum min(a_i, b_i) / sum max(a_i, b_i). Generalisation vecteurs entiers.

Applications

  • NLP: similarite documents.
  • Systèmes de recommandation.
  • Bioinformatique genomes.
  • CV: IoU bounding boxes.
  • Plagio detection.
  • Analyse reseaux.
  • Cheminformatique fingerprints.
  • Market basket.

IoU en CV

Intersection over Union pour bounding boxes. IoU >= 0.5 pour true positive. Standard COCO, YOLO.

MinHash et LSH

Broder 1997: estimer Jaccard en O(k). Permutation hash aleatoire. Combine avec LSH pour échelle web.

Limites

  • Sensible granularite.
  • Ignore ordre et fréquence.
  • Creux: domine rares.
  • Denses: domine communs.
  • Ruzicka pas metrique.

Modes

Cinq modes: ensembles, binaires, n-gramme texte, pondere, comparaison Dice/overlap/cosine.

Histoire

Jaccard 1901 flore. Tanimoto 1957 chimie. Sorensen 1948, Dice 1945. Levandowsky-Winter 1971. Broder 1997 MinHash.

Les origines botaniques : Paul Jaccard et la biodiversite

L'indice de Jaccard naquit non en informatique mais en botanique. En 1901 le botaniste suisse Paul Jaccard, etudiant la flore des Alpes, cherchait un moyen de quantifier a quel point deux regions partageaient les memes especes vegetales. Il introduisit ainsi le rapport entre le nombre d'especes communes et le nombre total d'especes presentes dans au moins l'une des deux zones, donnant naissance a l'une des mesures de similarite les plus anciennes et utilisees de la science.

En ecologie l'indice reste fondamental pour mesurer la beta-diversite, c'est-a-dire le renouvellement des especes entre habitats differents : une valeur elevee indique des communautes similaires, une valeur basse des communautes tres differentes. La meme idee s'est etendue a la genomique moderne, ou l'on compare des ensembles de genes exprimes ou d'especes microbiennes dans des echantillons differents. Comparer la composition du microbiome intestinal de deux individus, par exemple, revient a calculer a quel point leurs ensembles de bacteries se chevauchent, exactement comme Jaccard le faisait avec les fleurs alpines il y a plus d'un siecle.

Pourquoi la distance de Jaccard est une vraie metrique

Contrairement a la distance du cosinus, qui ne satisfait pas l'inegalite triangulaire, la distance de Jaccard, definie comme 1 moins l'indice de Jaccard, est une metrique authentique : elle respecte positivite, symetrie et inegalite triangulaire. Cela signifie qu'elle se comporte comme une vraie distance geometrique, ou le chemin direct entre deux ensembles n'est jamais plus long qu'un chemin passant par un troisieme. C'est une propriete precieuse, car elle garantit la coherence dans les algorithmes de clustering et de recherche du plus proche voisin.

La demonstration a un lien elegant avec la probabilite et la technique du MinHash : l'indice de Jaccard entre deux ensembles est exactement la probabilite qu'une permutation aleatoire de leurs elements attribue le meme minimum aux deux. Cette interpretation probabiliste non seulement fait de la distance une metrique, mais permet de l'estimer rapidement sur des ensembles enormes sans les comparer element par element, le principe derriere la deduplication de milliards de pages web et la detection de quasi-doublons a grande echelle.

Mis à jour en juillet 2026

Questions fréquentes

Qu'est-ce que l'indice de Jaccard ?

C'est une mesure de similarite entre deux ensembles, definie comme le rapport entre la taille de leur intersection et la taille de leur union : J(A,B) = |A inter B| / |A union B|. Elle varie de 0 (aucun element commun) a 1 (ensembles identiques).

Comment se calcule-t-il ?

On compte les elements communs aux deux ensembles (intersection) et ceux presents dans au moins l'un des deux (union), puis on divise le premier par le second. Par exemple, pour A = {1,2,3} et B = {2,3,4} : intersection {2,3} = 2, union {1,2,3,4} = 4, donc J = 2/4 = 0,5.

Quelle difference avec le coefficient de Dice ?

Le coefficient de Sorensen-Dice utilise 2 fois l'intersection divise par la somme des tailles : 2|A inter B|/(|A|+|B|). Il donne plus de poids aux elements communs et est toujours superieur ou egal a Jaccard. Les deux sont lies et utilises dans des contextes similaires, comme comparer textes et images.

La distance de Jaccard est-elle une metrique ?

Oui : la distance de Jaccard, egale a 1 moins l'indice, satisfait positivite, symetrie et inegalite triangulaire, contrairement a la distance du cosinus. Cette propriete la rend fiable dans les algorithmes de clustering et de recherche du plus proche voisin, ou une vraie notion de distance est necessaire.

Qu'est-ce que la version binaire ou de Tanimoto ?

Elle applique l'indice de Jaccard a des vecteurs binaires, comptant les positions ou les deux valent 1 (intersection) et celles ou au moins un vaut 1 (union), en excluant les positions double-zero. Elle est utilisee en chemo-informatique et bioinformatique pour comparer des empreintes moleculaires.

Qu'est-ce que le Jaccard pondere ?

C'est une generalisation a des vecteurs a valeurs entieres ou reelles non negatives, aussi appelee similarite de Ruzicka : somme des minima composante par composante divisee par la somme des maxima. Elle se reduit au Jaccard classique pour des vecteurs de 0 et 1, et sert quand les elements ont des frequences ou des poids.

Qui a invente l'indice de Jaccard ?

Le botaniste suisse Paul Jaccard en 1901, etudiant la flore des Alpes pour mesurer a quel point deux regions partageaient les memes especes vegetales. Depuis il est devenu une mesure standard en ecologie, genomique, informatique et tout domaine ou il faut comparer des ensembles.

A quoi sert-il en pratique ?

Il compare des documents via des mots ou n-grammes communs, detecte le plagiat et les quasi-doublons (avec MinHash a l'echelle du web), mesure la biodiversite en ecologie, evalue le chevauchement de boites en vision artificielle (IoU) et alimente les systemes de recommandation fondes sur des ensembles de preferences.

Commentaires (0)

Pas encore de commentaire. Soyez le premier !