fowlkes_mallows_score

sklearn.metrics.fowlkes_mallows_score(labels_true, labels_pred, *, sparse=False)[source]

Метрика схожести двух кластеризаций набора точек.

Добавлена в версии 0.18.

Индекс Фowlkes-Mallows (FMI) определяется как геометрическое среднее между точностью и полнотой:

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

где TP — количество истинно положительных пар (то есть количество пар точек, принадлежащих одному кластеру как в labels_true, так и в labels_pred), FP — количество ложноположительных пар (то есть количество пар точек, принадлежащих одному кластеру в labels_pred, но не в labels_true ), и FN — количество ложноотрицательных пар (то есть количество пар точек, принадлежащих одному кластеру в labels_true, но не в labels_pred).

Значение метрики варьируется от 0 до 1. Большое значение указывает на хорошее сходство между двумя кластеризациями.

Подробнее см. в Руководстве пользователя.

Параметры:

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

Кластеризация данных на непересекающиеся подмножества.

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

Кластеризация данных на непересекающиеся подмножества.

sparsebool, default=False

Вычислить матрицу сопряженности с использованием разреженной матрицы.

Возвращает:

scorefloat

Полученное значение метрики Фowlkes-Mallows.

Ссылки

[1]

E. B. Fowkles and C. L. Mallows, 1983. “A method for comparing two hierarchical clusterings”. Журнал Американского статистического общества

[2]

Статья в Википедии об индексе Фowlkes-Mallows

Примеры

Идеальные метки являются одновременно однородными и полными, поэтому имеют значение 1.0:

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

Если члены классов полностью разделены между разными кластерами, то присвоение полностью случайное, поэтому FMI равен нулю:

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