pair_confusion_matrix

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

Матрица парной путаницы, возникающая из двух кластеризаций.

Матрица парной путаницы \(C\) вычисляет матрицу сходства 2 на 2 между двумя кластеризациями, рассматривая все пары образцов и подсчитывая пары, которые были распределены в одни и те же или разные кластеры в истинных и предсказанных кластеризациях [1].

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

Подробнее см. в Руководстве пользователя.

Параметры:

labels_truearray-like of shape (n_samples,), dtype=integral

Истинные метки классов, используемые в качестве эталона.

labels_predarray-like of shape (n_samples,), dtype=integral

Метки кластеров для оценки.

Возвращает:

Cndarray of shape (2, 2), dtype=np.int64

Матрица сопряжённости.

См. также

sklearn.metrics.rand_score

Коэффициент Рэнда.

sklearn.metrics.adjusted_rand_score

Скорректированный коэффициент Рэнда.

sklearn.metrics.adjusted_mutual_info_score

Скорректированная взаимная информация.

Ссылки

[1]

Hubert, L., Arabie, P. “Comparing partitions.” Journal of Classification 2, 193–218 (1985).

Примеры

Совершенно совпадающие метки имеют все ненулевые элементы 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]]...

Метки, которые назначают всех членов классов в одни и те же кластеры, полные, но могут быть не всегда чистыми, поэтому наказываются и имеют некоторые ненулевые элементы вне диагонали:

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

Обратите внимание, что матрица не симметрична.