normalized_mutual_info_score#

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

两个聚类之间的归一化互信息。

归一化互信息（NMI）是互信息（MI）分数的归一化，用于将结果缩放到0（无互信息）到1（完美相关性）之间。在此函数中，互信息通过 H(labels_true) 和 H(labels_pred)) 的某种广义平均值进行归一化，该平均值由 average_method 定义。

此度量未针对偶然性进行调整。因此，可能更推荐使用 adjusted_mutual_info_score。

此度量独立于标签的绝对值：类或簇标签值的排列不会以任何方式改变分数。

此度量也是对称的：将 label_true 与 label_pred 切换会返回相同的分数。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。

在 用户指南 中阅读更多内容。

参数:
labels_true形状为 (n_samples,) 的整数数组类对象

将数据聚类成不相交的子集。

labels_pred形状为 (n_samples,) 的整数数组类对象

将数据聚类成不相交的子集。

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。

版本 0.22 中更改: average_method 的默认值从 ‘geometric’ 更改为 ‘arithmetic’。

返回:
nmi浮点数

分数在 0.0 和 1.0 之间，以归一化纳特（nats）为单位（基于自然对数）。1.0 代表完美的完整标签。

另请参阅

v_measure_score

V-Measure（具有算术平均选项的 NMI）。

adjusted_rand_score

调整兰德指数。

adjusted_mutual_info_score

调整互信息（针对偶然性进行调整）。

示例

完美的标签既是同质的又是完整的，因此分数为 1.0

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

如果类成员完全分散在不同的簇中，则分配是完全不完整的，因此 NMI 为空

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