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。
该分数等同于使用
'arithmetic'（算术平均）选项的normalized_mutual_info_score。V-measure 是同质性（homogeneity）和完整性（completeness）之间的调和平均数。
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。
该指标具有对称性：交换
label_true和label_pred将返回相同的分数。当不知道真实地面真值（ground truth）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（同质性）与completeness（完整性）权重的比例。如果beta大于 1，则completeness在计算中权重更大。如果beta小于 1，则homogeneity权重更大。
- 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
将同一类的所有成员分配到相同簇的标注是完整的，但不具备同质性，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
具有纯净簇（成员来自相同类别）的标注是同质的，但不必要的拆分会损害完整性，因此也会降低 V-measure 分数。
>>> 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
如果类成员被完全拆分到不同的簇中，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簇会彻底破坏标注的同质性，因此：
>>> print("%.6f" % v_measure_score([0, 0, 1, 1], [0, 0, 0, 0])) 0.0
