fowlkes_mallows_score

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

Измеряет сходство двух кластеризаций набора точек.

Добавлено в версии 0.18.

Индекс Фоулкса — Мэллоуза (FMI) определяется как среднее геометрическое точности и полноты:

FMI = TP / sqrt((TP + FP) * (TP + FN))

Где TP — число истинно положительных результатов (то есть число пар точек, принадлежащих одному и тому же кластеру как в labels_true, так и в labels_pred), FP — число ложноположительных результатов (то есть число пар точек, принадлежащих одному и тому же кластеру в labels_pred, но не в labels_true), а FN — число ложноотрицательных результатов (то есть число пар точек, принадлежащих одному и тому же кластеру в labels_true, но не в labels_pred).

Оценка принимает значения от 0 до 1. Высокое значение указывает на большое сходство двух кластеризаций.

Подробнее см. в руководстве пользователя.

Параметры:

labels_trueмассивоподобный объект формы (n_samples,)

Кластеризация данных на непересекающиеся подмножества.

labels_predмассивоподобный объект формы (n_samples,)

Кластеризация данных на непересекающиеся подмножества.

Возвращает:

scoreчисло с плавающей точкой

Вычисленная оценка Фоулкса — Мэллоуза.

Литература

[1]

Э. Б. Фоулкс и К. Л. Мэллоуз, 1983. «Метод сравнения двух иерархических кластеризаций». Журнал Американской статистической ассоциации

[2]

Статья в Википедии об индексе Фоулкса — Мэллоуза

Примеры

Идеальная разметка является одновременно однородной и полной, поэтому ее оценка равна 1.0:

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

Если элементы классов полностью распределены по разным кластерам, разбиение оказывается совершенно случайным, поэтому FMI равен нулю:

>>> fowlkes_mallows_score([0, 0, 0, 0], [0, 1, 2, 3])
0.0