fowlkes_mallows_score#

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

衡量一组点的两个聚类的相似性。

版本 0.18 新增。

Fowlkes-Mallows 指数 (FMI) 定义为精确率和召回率的几何平均值。

FMI = TP / sqrt((TP + FP) * (TP + FN))

其中 TP 是真阳性 (True Positive) 的数量（即在 labels_true 和 labels_pred 中属于同一簇的点对数量），FP 是假阳性 (False Positive) 的数量（即在 labels_pred 中属于同一簇但在 labels_true 中不属于同一簇的点对数量），而 FN 是假阴性 (False Negative) 的数量（即在 labels_true 中属于同一簇但在 labels_pred 中不属于同一簇的点对数量）。

得分范围从 0 到 1。高值表示两个聚类之间具有良好的相似性。

阅读更多内容请参考用户指南。

参数:

labels_true形状为 (n_samples,) 的类数组: 将数据聚类为不相交的子集。
labels_pred形状为 (n_samples,) 的类数组: 将数据聚类为不相交的子集。

返回:

scorefloat: 所得的 Fowlkes-Mallows 得分。

References

[1]

E. B. Fowkles 和 C. L. Mallows, 1983 年。“A method for comparing two hierarchical clusterings”（一种比较两种层次聚类的方法）。《美国统计协会杂志》

[2]

Fowlkes-Mallows 指数的维基百科条目

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])
1.0
>>> fowlkes_mallows_score([0, 0, 1, 1], [1, 1, 0, 0])
1.0

如果类成员被完全拆分到不同的簇中，则分配是完全随机的，因此 FMI 为零。

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