completeness_score

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

Вычисляет метрику полноты кластеризации для разметки кластеров с учетом эталонной разметки.

Результат кластеризации обладает полнотой, если все точки данных, принадлежащие одному классу, входят в один и тот же кластер.

Эта метрика не зависит от абсолютных значений меток: перестановка значений меток классов или кластеров никак не повлияет на значение оценки.

Эта метрика несимметрична: перестановка местами label_true и label_pred вернет homogeneity_score, которая, как правило, будет отличаться.

Параметры:

labels_truearray-like of shape (n_samples,): Эталонные метки классов, используемые в качестве образца.
labels_predarray-like of shape (n_samples,): Метки кластеров для оценки.

Возвращает:

completenessfloat: Оценка от 0.0 до 1.0. Значение 1.0 соответствует идеально полной разметке.

См. также

[1]

Идеальная разметка обладает полнотой:

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

Неидеальные разметки, при которых элементы всех классов отнесены к одним и тем же кластерам, также обладают полнотой:

>>> 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 элементы классов распределены по разным кластерам, разметка не может быть полной:

>>> 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