adjusted_mutual_info_score#

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

两个聚类之间的调整互信息。

调整互信息 (AMI) 是互信息 (MI) 分数的一个调整，用于考虑偶然性。它考虑了这样的事实：对于具有更多簇的两个聚类，MI 通常更高，无论实际上共享的信息是否更多。对于两个聚类 \(U\) 和 \(V\)，AMI 表示为

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

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。

此度量标准还是对称的：将 \(U\) (label_true) 与 \(V\) (labels_pred) 互换将返回相同的分数。当不知道真实基本事实时，这对于测量同一数据集上两种独立标签分配策略的一致性很有用。

请注意，此函数比其他度量标准（例如调整兰德指数）慢一个数量级。

在 用户指南 中阅读更多内容。

参数:
labels_trueint 数组，形状 (n_samples,)

将数据聚类成不相交子集，在上述公式中称为 \(U\)。

labels_predint 数组，形状 (n_samples,)

将数据聚类成不相交子集，在上述公式中称为 \(V\)。

average_method{'min', 'geometric', 'arithmetic', 'max'}，默认='arithmetic'

如何在分母中计算归一化器。

0.20 版本新增。

0.22 版本中已更改: average_method 的默认值从 'max' 更改为 'arithmetic'。

返回:
ami: 浮点数 (上限为 1.0)

当两个分区完全相同时 (即完美匹配)，AMI 返回值为 1。随机分区 (独立标记) 的 AMI 平均值约为 0，因此可能为负。该值以调整后的纳特 (基于自然对数) 为单位。

另请参阅

adjusted_rand_score

调整兰德指数。

mutual_info_score

互信息 (未根据偶然性进行调整)。

References

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 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

如果类成员完全分散在不同的簇中，则分配完全不完整，因此 AMI 为空

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