v_measure_score#

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

给定真实标签的 V-measure 聚类评分。

该评分与 normalized_mutual_info_score 在平均选项设置为 'arithmetic' 时完全相同。

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

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

此指标与标签的绝对值无关:类别或聚类标签值的任何排列都不会改变评分值。

此外,该指标是对称的:将 label_truelabel_pred 互换将返回相同的评分值。当真实的基础事实(ground truth)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。

更多信息请参阅用户指南

参数:
labels_true形状为 (n_samples,) 的类数组对象

用作参考的真实类别标签。

labels_pred形状为 (n_samples,) 的类数组对象

要评估的聚类标签。

beta浮点数,默认值=1.0

赋予同质性(homogeneity)完整性(completeness)的权重比。如果beta大于1,则计算中完整性的权重更大。如果beta小于1,则同质性的权重更大。

返回值:
v_measure浮点数

介于0.0和1.0之间的评分。1.0表示完美完整的标签分配。

另请参阅

homogeneity_score

聚类标签的同质性指标。

completeness_score

聚类标签的完整性指标。

normalized_mutual_info_score

归一化互信息。

参考文献

示例

完美的标签分配既同质又完整,因此得分为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到相同聚类的标签分配是完整的,但不同质,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

具有纯净聚类(其中成员来自同一类别)的标签分配是同质的,但不必要的分裂会损害完整性,从而也会惩罚 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分配的同质性,因此:

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