pair_confusion_matrix#

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

来自两个聚类的对混淆矩阵。

成对混淆矩阵 \(C\) 通过考虑所有样本对，并计算在真实和预测聚类下被分配到相同或不同簇的样本对数量，来计算两个聚类之间的 2x2 相似性矩阵 [1]。

将聚类在一起的样本对视为正对，那么与二元分类类似，真负例（true negatives）计数为 \(C_{00}\)，假负例（false negatives）计数为 \(C_{10}\)，真正例（true positives）计数为 \(C_{11}\)，假正例（false positives）计数为 \(C_{01}\)。

在 用户指南 中了解更多信息。

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

用作参考的真实类别标签。

labels_pred形状为 (n_samples,) 的类数组对象，dtype=integral

要评估的簇标签。

返回:
C形状为 (2, 2) 的 ndarray，dtype=np.int64

列联矩阵。

另请参阅

sklearn.metrics.rand_score

兰德指数（Rand Score）。

sklearn.metrics.adjusted_rand_score

调整兰德指数（Adjusted Rand Score）。

sklearn.metrics.adjusted_mutual_info_score

调整互信息（Adjusted Mutual Information）。

References

示例

完美匹配的标签分配在对角线上有非零值，而与实际标签值无关。

>>> from sklearn.metrics.cluster import pair_confusion_matrix
>>> pair_confusion_matrix([0, 0, 1, 1], [1, 1, 0, 0])
array([[8, 0],
       [0, 4]]...

将所有类别成员分配到同一簇的标签分配是完整的，但可能并不总是纯粹的，因此会受到惩罚，并在对角线外有一些非零项。

>>> pair_confusion_matrix([0, 0, 1, 2], [0, 0, 1, 1])
array([[8, 2],
       [0, 2]]...

请注意，该矩阵不是对称的。