pair_confusion_matrix

sklearn.metrics.cluster.pair_confusion_matrix(labels_true, labels_pred)[исходный код]

Матрица ошибок пар, полученная на основе двух кластеризаций.

Матрица ошибок пар \(C\) вычисляет матрицу сходства 2 на 2 для двух кластеризаций, рассматривая все пары образцов и подсчитывая пары, отнесённые к одному или разным кластерам в истинной и предсказанной кластеризациях [1].

Если считать пару образцов, объединённых в один кластер, положительной парой, то, как и в бинарной классификации, количество истинно отрицательных пар равно \(C_{00}\), ложноотрицательных — \(C_{10}\), истинно положительных — \(C_{11}\), а ложноположительных — \(C_{01}\).

Подробнее см. в руководстве пользователя.

Параметры:

labels_truearray-like размера (n_samples,)

Истинные метки классов, используемые в качестве эталона.

labels_predarray-like размера (n_samples,)

Метки кластеров для оценки.

Возвращает:

Cndarray размера (2, 2), dtype=np.int64

Матрица сопряжённости.

См. также

sklearn.metrics.rand_score

Индекс Рэнда.

sklearn.metrics.adjusted_rand_score

Скорректированный индекс Рэнда.

sklearn.metrics.adjusted_mutual_info_score

Скорректированная взаимная информация.

Список литературы

[1]

Hubert, L., Arabie, P. «Сравнение разбиений». Journal of Classification 2, 193–218 (1985).

Примеры

Для идеально совпадающих разметок все ненулевые элементы находятся на диагонали независимо от фактических значений меток:

>>> from sklearn.metrics.cluster import pair_confusion_matrix
>>> pair_confusion_matrix([0, 0, 1, 1], [1, 1, 0, 0])
array([[8, 0],
       [0, 4]]...

Разметки, относящие все объекты классов к одним и тем же кластерам, являются полными, но не всегда чистыми, поэтому получают штраф; у них есть ненулевые внедиагональные элементы:

>>> pair_confusion_matrix([0, 0, 1, 2], [0, 0, 1, 1])
array([[8, 2],
       [0, 2]]...

Обратите внимание, что матрица не является симметричной.