v_measure_score#

sklearn.metrics.v_measure_score(labels_true, labels_pred, *, beta=1.0)[source]#

给定地面实况的 V-measure 聚类标签。

此分数与 normalized_mutual_info_score 相同，其中平均选项为 'arithmetic'。

V-measure 是同质性（homogeneity）和完整性（completeness）的调和平均值

v = (1 + beta) * homogeneity * completeness
     / (beta * homogeneity + completeness)

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。

此指标还具有对称性：将 label_true 与 label_pred 互换将返回相同的分数。当真实的基本事实未知时，这对于衡量同一数据集上两种独立标签分配策略的一致性非常有用。

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

用作参考的真实类别标签。

labels_pred形状为 (n_samples,) 的类数组

要评估的簇标签。

betafloat, default=1.0

分配给 homogeneity 与 completeness 的权重比例。如果 beta 大于 1，则 completeness 在计算中被赋予更高的权重。如果 beta 小于 1，则 homogeneity 被赋予更高的权重。

返回:
v_measurefloat

分数介于0.0和1.0之间。1.0表示完全完整的标签。

另请参阅

homogeneity_score

聚类标签的同质性指标。

completeness_score

聚类标记的完整性指标。

normalized_mutual_info_score

归一化互信息（Normalized Mutual Information）。

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

将所有类别成员分配给同一聚类的标签是完整的，但不具有同质性，因此会受到惩罚

>>> print("%.6f" % v_measure_score([0, 0, 1, 2], [0, 0, 1, 1]))
0.8
>>> print("%.6f" % v_measure_score([0, 1, 2, 3], [0, 0, 1, 1]))
0.67

具有来自相同类别的成员的纯净聚类的标签具有同质性，但不必要的分裂会损害完整性，因此也会惩罚 V-measure

>>> print("%.6f" % v_measure_score([0, 0, 1, 1], [0, 0, 1, 2]))
0.8
>>> print("%.6f" % v_measure_score([0, 0, 1, 1], [0, 1, 2, 3]))
0.67

如果类别成员完全分散在不同的聚类中，则分配是完全不完整的，因此 V-Measure 为零

>>> print("%.6f" % v_measure_score([0, 0, 0, 0], [0, 1, 2, 3]))
0.0

包含来自完全不同类别的样本的聚类会完全破坏标签的同质性，因此

>>> print("%.6f" % v_measure_score([0, 0, 1, 1], [0, 0, 0, 0]))
0.0