cosine_similarity

La similitud coseno mide el ángulo entre dos vectores de embedding. Es la métrica estándar para comparar embeddings faciales porque es invariante a la escala (magnitud del vector).

When to use

Usar para comparar cualquier par de embeddings faciales en el face_match_agent.

Instructions

1. Asegurarse que ambos embeddings están normalizados a norma unitaria (L2 norm = 1).
2. Normalización: embedding = embedding / np.linalg.norm(embedding).
3. Calcular similitud: similarity = float(np.dot(embedding_1, embedding_2)).
4. Rango de valores: -1 (opuesto) a 1 (idéntico). Para caras diferentes: típicamente < 0.3.
5. Mapear a porcentaje para UI: score_pct = (similarity + 1) / 2 * 100.
6. Registrar el score raw y el score mapeado en el evento de auditoría.
7. Si hay múltiples embeddings (varios frames de selfie), calcular la media de similitudes.

Notes

• Para distancia euclidiana: distance = np.linalg.norm(e1 - e2). Usar solo si los modelos están calibrados para esta métrica.
• NumPy np.dot sobre vectores normalizados es equivalente a sklearn.metrics.pairwise.cosine_similarity pero más rápido.