Python sklearn completeness_score用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.completeness_score 的用法。

用法:

sklearn.metrics.completeness_score(labels_true, labels_pred)

給定基本事實的集群標記的完整性度量。

如果作為給定類成員的所有數據點都是同一聚類的元素，則聚類結果滿足完整性。

該指標獨立於標簽的絕對值：類或集群標簽值的排列不會以任何方式改變得分值。

此度量不是對稱的：將 label_true 與 label_pred 切換將返回 homogeneity_score ，這通常會有所不同。

在用戶指南中閱讀更多信息。

參數：

labels_true：int 數組，形狀 = [n_samples]

地麵實況類標簽用作參考

labels_pred：形狀類似數組 (n_samples,)

要評估的集群標簽

返回：

completeness：浮點數

得分在 0.0 和 1.0 之間。 1.0 代表完美完整的標簽

參考：

1

Andrew Rosenberg 和 Julia Hirschberg，2007。V-Measure：基於條件熵的外部聚類評估度量

例子：

完美的標簽是完整的：

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

將所有類成員分配到相同集群的非完美標簽仍然是完整的：

>>> 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...

如果類成員分布在不同的集群中，則分配無法完成：

>>> 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