如果它的两个状态有相同的权重, 那么该二元变量是对称的，也就是两个取值 0或 1 没有优先权。例如，属性“性别”就是这样的一个例子，它有两个值：“女性”和“男性”。基于对称二元变量的相似度称为恒定的相似度，即当一些或者全部二元变量编码改变时，计算结果不会发生变化。
对恒定的相似度来说，评价两个对象 i和 j 之间相异度的最著名的系数是简单匹配系数SMC，其定义如下：
d(I,j) = (r+s) / (q+r+s+t) （8.9 p342 ?）
如果两个状态的输出不是同样重要，那么该二元变量是不对称的。例如一个疾病检查的肯定和否定的结果。根据惯例，我们将比较重要的输出结果，通常也是出现几率较小的结果编码为 1（例如，HIV阳性），而将另一种结果编码为 0（例如 HIV阴性）。给定两个不对称的二元变量，两个都取值 1 的情况（正匹配）被认为比两个都取值 0 的情况（负匹配）更有意义。因此，这样的二元变量经常被认为好像只有一个状态。基于这样变量的相似度被称为非恒定的相似度。对非恒定的相似度，最著名的评价系数是 Jaccard 系数，在它的计算中，负匹配的数目被认为是不重要的，因此被忽略。 D(I,j) = (r+s) / (q+r+s) （8.10） 当对称的和非对称的二元变量出现在同一个数据集中，在 8.2.4 节中描述的混合变量方法可以被应用。
比如 购买记录就是非对称二元数据，因为我们更关注买的 item 而非没有买的 item
但答题的 True 和 False 就是对称二元数据，因为 在考察两题答案的关联时， True 和 False 的出现是同样重要的。
参考：http://www.cnblogs.com/end/p/3330466.html
更详细的介绍：http://blog.csdn.net/sjpz0124/article/details/45980361
