Python sklearn completeness_score用法及代码示例

本文简要介绍python语言中 sklearn.metrics.completeness_score 的用法。

用法:

sklearn.metrics.completeness_score(labels_true, labels_pred)

给定基本事实的集群标记的完整性度量。

如果作为给定类成员的所有数据点都是同一聚类的元素，则聚类结果满足完整性。

该指标独立于标签的绝对值：类或集群标签值的排列不会以任何方式改变得分值。

此度量不是对称的：将 label_true 与 label_pred 切换将返回 homogeneity_score ，这通常会有所不同。

在用户指南中阅读更多信息。

参数：

labels_true：int 数组，形状 = [n_samples]

地面实况类标签用作参考

labels_pred：形状类似数组 (n_samples,)

要评估的集群标签

返回：

completeness：浮点数

得分在 0.0 和 1.0 之间。 1.0 代表完美完整的标签

参考：

1

Andrew Rosenberg 和 Julia Hirschberg，2007。V-Measure：基于条件熵的外部聚类评估度量

例子：

完美的标签是完整的：

>>> from sklearn.metrics.cluster import completeness_score
>>> completeness_score([0, 0, 1, 1], [1, 1, 0, 0])
1.0

将所有类成员分配到相同集群的非完美标签仍然是完整的：

>>> print(completeness_score([0, 0, 1, 1], [0, 0, 0, 0]))
1.0
>>> print(completeness_score([0, 1, 2, 3], [0, 0, 1, 1]))
0.999...

如果类成员分布在不同的集群中，则分配无法完成：

>>> print(completeness_score([0, 0, 1, 1], [0, 1, 0, 1]))
0.0
>>> print(completeness_score([0, 0, 0, 0], [0, 1, 2, 3]))
0.0