Python sklearn homogeneity_score用法及代码示例

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

用法:

sklearn.metrics.homogeneity_score(labels_true, labels_pred)

给定基本事实的集群标记的同质性度量。

如果所有聚类仅包含属于单个类成员的数据点，则聚类结果满足同质性。

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 completeness_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：

homogeneity：浮点数

得分在 0.0 和 1.0 之间。 1.0 代表完全均匀的标签

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：

完美的标签是同质的：

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

将类进一步分成更多簇的非完美标签可以是完全同质的：

>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 0, 1, 2]))
1.000000
>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 1, 2, 3]))
1.000000

包含来自不同类别的样本的集群不会产生同质标记：

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