Python sklearn v_measure_score用法及代碼示例

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

用法:

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

V-measure 給定基本事實的集群標簽。

此分數與 normalized_mutual_info_score 相同，帶有用於平均的 'arithmetic' 選項。

V-measure 是同質性和完整性之間的調和平均值：

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

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。

此外，該指標是對稱的：將 label_true 與 label_pred 切換將返回相同的分數值。當不知道真實的基本事實時，這對於測量同一數據集上兩個獨立標簽分配策略的一致性很有用。

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

beta：浮點數，默認=1.0

歸因於 homogeneity 與 completeness 的權重比。如果 beta 大於 1，則 completeness 在計算中的權重更大。如果 beta 小於 1，則 homogeneity 的權重更大。

返回：

v_measure：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：

完美的標簽既同質又完整，因此得分為 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

將所有類成員分配到相同集群的標簽是完整的，不是同質的，因此受到懲罰：

>>> 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...

具有來自同一類的成員的純集群的標簽是同質的，但 un-necessary 拆分會損害完整性，因此也會懲罰 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...

如果類成員完全分布在不同的集群中，則分配是完全不完整的，因此 V-Measure 為空：

>>> print("%.6f" % v_measure_score([0, 0, 0, 0], [0, 1, 2, 3]))
0.0...

包含來自完全不同類別的樣本的集群完全破壞了標簽的同質性，因此：

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