Fowlkes-Mallows 指标#
- sklearn.metrics.fowlkes_mallows_score(labels_true, labels_pred, *, sparse=False)[source]#
测量一组点的两个聚类的相似性。
在0.18版本中添加。
Fowlkes-Mallows 指数 (FMI) 定义为精确率和召回率的几何平均数。
FMI = TP / sqrt((TP + FP) * (TP + FN))
其中
TP是真阳性的数量（即在labels_true和labels_pred中都属于相同聚类的点对数量），FP是假阳性的数量（即在labels_pred中属于相同聚类但在labels_true中不属于相同聚类的点对数量），FN是假阴性的数量（即在labels_true中属于相同聚类但在labels_pred中不属于相同聚类的点对数量）。分数范围从 0 到 1。高值表示两个聚类之间具有良好的相似性。
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，dtype=int
将数据聚类成不相交子集。
- labels_pred形状为 (n_samples,) 的类数组，dtype=int
将数据聚类成不相交子集。
- sparse布尔值，默认值为 False
使用稀疏矩阵在内部计算列联表。
- 返回值：
- score浮点数
生成的 Fowlkes-Mallows 分数。
参考文献
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 fowlkes_mallows_score >>> fowlkes_mallows_score([0, 0, 1, 1], [0, 0, 1, 1]) np.float64(1.0) >>> fowlkes_mallows_score([0, 0, 1, 1], [1, 1, 0, 0]) np.float64(1.0)
如果类成员完全分散在不同的聚类中，则赋值完全随机，因此 FMI 为零。
>>> fowlkes_mallows_score([0, 0, 0, 0], [0, 1, 2, 3]) 0.0