同质性分数 (homogeneity_score)#

sklearn.metrics.homogeneity_score(labels_true, labels_pred)[source]#

给定真实标签的聚类结果同质性度量。

如果聚类结果的所有簇仅包含属于单一类别的数据点，则该结果满足同质性。

该度量独立于标签的绝对值：类别或簇标签值的任何排列都不会改变分数。

该度量不对称：将 label_true 与 label_pred 互换将返回 completeness_score，通常结果会不同。

在用户指南中了解更多。

参数:
labels_true形状为 (n_samples,) 的类数组对象

用作参考的真实类别标签。

labels_pred形状为 (n_samples,) 的类数组对象

要评估的聚类标签。

返回:
homogeneity浮点数

分数介于 0.0 和 1.0 之间。1.0 表示完美的同质性标签。

另请参阅

completeness_score

聚类标签的完备性度量。

v_measure_score

V-Measure（带有算术平均选项的 NMI）。

参考文献

示例

完美的标签是同质的

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

将类别进一步划分为更多簇的不完美标签也可以是完美的同质性

>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 0, 1, 2]))
1.000000
>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 1, 2, 3]))
1.000000

包含来自不同类别样本的簇不构成同质性标签

>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 1, 0, 1]))
0.0...
>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 0, 0, 0]))
0.0...