adjusted_mutual_info_score#

sklearn.metrics.adjusted_mutual_info_score(labels_true, labels_pred, *, average_method='arithmetic')[source]#

两个聚类之间的调整互信息。

调整互信息（AMI）是对互信息（MI）分数的调整，以考虑偶然性。它解释了MI分数通常在具有更多簇的两个聚类之间更高，无论实际上是否共享了更多信息。对于两个聚类 \(U\) 和 \(V\)，AMI的计算方式如下：

AMI(U, V) = [MI(U, V) - E(MI(U, V))] / [avg(H(U), H(V)) - E(MI(U, V))]

此指标与标签的绝对值无关：类别或簇标签值的排列不会以任何方式改变分数。

此指标也具有对称性：将 \(U\) (label_true) 与 \(V\) (labels_pred) 互换将返回相同的分数。当真实的基本事实未知时，这对于衡量同一数据集上两种独立标签分配策略的一致性非常有用。

请注意，此函数的运行速度比其他指标（如调整兰德指数）慢一个数量级。

在用户指南中了解更多信息。

参数:
labels_true形状为 (n_samples,) 的 int 类数组

将数据聚类为不相交的子集，在上述公式中称为 \(U\)。

labels_pred形状为 (n_samples,) 的 int 类数组

将数据聚类为不相交的子集，在上述公式中称为 \(V\)。

average_method{‘min’, ‘geometric’, ‘arithmetic’, ‘max’}，默认值=’arithmetic’

如何计算分母中的归一化因子。

0.20 版本新增。

0.22 版本更改: average_method 的默认值从 'max' 更改为 'arithmetic'。

返回:
ami: 浮点数 (上限为 1.0)

当两个划分完全相同（即完美匹配）时，AMI 返回值为 1。随机划分（独立标记）的预期 AMI 平均约为 0，因此可能为负。该值以调整后的纳特（nats）为单位（基于自然对数）。

另请参阅

adjusted_rand_score

调整兰德指数。

mutual_info_score

互信息（未针对偶然性进行调整）。

参考文献

示例

完美的标签既具有同质性又具有完整性，因此得分为 1.0

>>> from sklearn.metrics.cluster import adjusted_mutual_info_score
>>> adjusted_mutual_info_score([0, 0, 1, 1], [0, 0, 1, 1])
1.0
>>> adjusted_mutual_info_score([0, 0, 1, 1], [1, 1, 0, 0])
1.0

如果类别成员完全分散在不同的簇中，则分配是完全不完整的，因此 AMI 为零

>>> adjusted_mutual_info_score([0, 0, 0, 0], [0, 1, 2, 3])
0.0