Python sklearn fowlkes_mallows_score用法及代碼示例

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

用法:

sklearn.metrics.fowlkes_mallows_score(labels_true, labels_pred, *, sparse=False)

測量一組點的兩個聚類的相似性。

Fowlkes-Mallows 索引 (FMI) 定義為精度和召回率之間的幾何平均值：

FMI = TP / sqrt((TP + FP) * (TP + FN))

在哪裏TP是數量真陽性(即屬於同一簇的點對的數量labels_true和labels_pred),FP是數量假陽性(即屬於同一簇的點對的數量labels_true而不是在labels_pred) 和FN是數量假陰性(即屬於同一簇的點對的數量labels_pred而不是在labels_True)。

分數範圍從 0 到 1。高值表示兩個集群之間的相似性良好。

在用戶指南中閱讀更多信息。

參數：

labels_true：int 數組，形狀 = ( n_samples ,)

將數據聚類為不相交的子集。

labels_pred：數組，形狀 = (n_samples, )

將數據聚類為不相交的子集。

sparse：布爾，默認=假

使用稀疏矩陣在內部計算列聯矩陣。

返回：

score：浮點數

生成的Fowlkes-Mallows 分數。

參考：

1

E. B. Fowkles 和 C. L. Mallows，1983 年。“一種比較兩個層次聚類的方法”。美國統計協會雜誌

2

Fowlkes-Mallows 索引的維基百科條目

例子：

完美的標簽既同質又完整，因此得分為 1.0：

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

如果類成員完全分布在不同的集群中，則分配是完全隨機的，因此 FMI 為空：

>>> fowlkes_mallows_score([0, 0, 0, 0], [0, 1, 2, 3])
0.0