полнота_оценки

sklearn.metrics.completeness_score(labels_true, labels_pred)[source]

Вычисление метрики полноты метки кластеризации, учитывая истинное значение.

Результат кластеризации удовлетворяет условию полноты, если все данные, принадлежащие к заданному классу, являются элементами одного и того же кластера.

Эта метрика не зависит от абсолютных значений меток: перестановка значений меток класса или кластера не повлияет на значение оценки.

Эта метрика несимметрична: переключение label_true с label_pred вернёт homogeneity_score, которое, как правило, будет отличаться.

Подробнее см. в Руководстве пользователя.

Параметры:

labels_truearray-like of shape (n_samples,)

Истинные метки классов, используемые в качестве справки.

labels_predarray-like of shape (n_samples,)

Метки кластеров для оценки.

Возвращает:

полнотаfloat

Значение от 0.0 до 1.0. 1.0 соответствует идеально полной метке.

См. также

homogeneity_score

Метрика однородности метки кластеризации.

v_measure_score

Метрика V-меры (НМИ с арифметическим средним).

Ссылки

[1]

Andrew Rosenberg и Julia Hirschberg, 2007. V-Measure: Метрика, основанная на условной энтропии, для внешней оценки кластеризации

Примеры

Идеально заданные метки полные:

>>> from sklearn.metrics.cluster import completeness_score
>>> completeness_score([0, 0, 1, 1], [1, 1, 0, 0])
np.float64(1.0)

Неидеально заданные метки, которые присваивают все члены классов одному и тому же кластеру, по-прежнему полные:

>>> 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...

Если члены классов разделены между различными кластерами, то такое присваивание не может быть полным:

>>> 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

Примеры из галереи

Основные моменты выпуска scikit-learn 0.23

Демонстрация кластеризации K-средних на данных рукописных цифр

Демонстрация алгоритма кластеризации DBSCAN

Демонстрация алгоритма кластеризации аффинного распространения

Кластеризация текстовых документов с помощью K-средних