Python sklearn v_measure_score用法及代码示例

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

用法:

sklearn.metrics.v_measure_score(labels_true, labels_pred, *, beta=1.0)

V-measure 给定基本事实的集群标签。

此分数与 normalized_mutual_info_score 相同，带有用于平均的 'arithmetic' 选项。

V-measure 是同质性和完整性之间的调和平均值：

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

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。

此外，该指标是对称的：将 label_true 与 label_pred 切换将返回相同的分数值。当不知道真实的基本事实时，这对于测量同一数据集上两个独立标签分配策略的一致性很有用。

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

beta：浮点数，默认=1.0

归因于 homogeneity 与 completeness 的权重比。如果 beta 大于 1，则 completeness 在计算中的权重更大。如果 beta 小于 1，则 homogeneity 的权重更大。

返回：

v_measure：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

将所有类成员分配到相同集群的标签是完整的，不是同质的，因此受到惩罚：

>>> 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]))
0.66...

具有来自同一类的成员的纯集群的标签是同质的，但 un-necessary 拆分会损害完整性，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]))
0.66...

如果类成员完全分布在不同的集群中，则分配是完全不完整的，因此 V-Measure 为空：

>>> 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集群完全破坏了标签的同质性，因此：

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