consensus_score#

sklearn.metrics.consensus_score(a, b, *, similarity='jaccard')[source]#

两组双聚类之间的相似性。

计算单个双聚类之间的相似性。然后，通过使用修改后的Jonker-Volgenant算法解决线性分配问题，找到集合之间的最佳匹配。最终分数是相似性之和除以较大集合的大小。

在用户指南中阅读更多。

参数:
a元组 (行, 列)

一组双聚类的行和列指示符元组。

b元组 (行, 列)

另一组双聚类，类似于a。

similarity‘jaccard’ 或可调用对象，默认值为 ‘jaccard’

可以是字符串“jaccard”以使用Jaccard系数，或任何接受四个参数（每个参数都是1维指示向量：(a_rows, a_columns, b_rows, b_columns)）的函数。

返回:
consensus_score浮点数

共识分数，一个非负值，是相似性之和除以较大集合的大小。

另请参见

scipy.optimize.linear_sum_assignment

解决线性分配问题。

参考文献

示例

>>> from sklearn.metrics import consensus_score
>>> a = ([[True, False], [False, True]], [[False, True], [True, False]])
>>> b = ([[False, True], [True, False]], [[True, False], [False, True]])
>>> consensus_score(a, b, similarity='jaccard')
1.0