homogeneity_completeness_v_measure

sklearn.metrics.homogeneity_completeness_v_measure(labels_true, labels_pred, *, beta=1.0)[исходный код]

Одновременно вычисляет оценки однородности, полноты и V-меры.

Эти метрики основаны на мерах нормированной условной энтропии кластерной разметки и используются для оценки с учетом известных истинных меток классов тех же выборок.

Результат кластеризации обладает однородностью, если все его кластеры содержат только точки данных, принадлежащие одному классу.

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

Обе оценки принимают значения от 0.0 до 1.0; чем выше значение, тем лучше.

Эти три метрики не зависят от абсолютных значений меток: перестановка значений меток классов или кластеров никак не изменит оценки.

Кроме того, V-мера симметрична: перестановка labels_true и label_pred даст ту же оценку. Это не относится к однородности и полноте. V-мера идентична normalized_mutual_info_score при использовании метода арифметического усреднения.

Подробнее см. в руководстве пользователя.

Параметры:

labels_trueмассивоподобный объект формы (n_samples,)

Истинные метки классов, используемые в качестве эталона.

labels_predмассивоподобный объект формы (n_samples,)

Метки кластеров для оценки.

betaвещественное число, по умолчанию=1.0

Отношение весов, присваиваемых homogeneity и completeness. Если beta больше 1, при вычислении больший вес присваивается completeness. Если beta меньше 1, больший вес присваивается homogeneity.

Возвращает:

homogeneityвещественное число

Оценка от 0.0 до 1.0. Значение 1.0 соответствует полностью однородной разметке.

completenessвещественное число

Оценка от 0.0 до 1.0. Значение 1.0 соответствует полностью полной разметке.

v_measureвещественное число

Среднее гармоническое двух предыдущих оценок.

См. также

homogeneity_score

Метрика однородности кластерной разметки.

completeness_score

Метрика полноты кластерной разметки.

v_measure_score

V-мера (NMI с вариантом арифметического среднего).

Примеры

>>> from sklearn.metrics import homogeneity_completeness_v_measure
>>> y_true, y_pred = [0, 0, 1, 1, 2, 2], [0, 0, 1, 2, 2, 2]
>>> homogeneity_completeness_v_measure(y_true, y_pred)
(0.71, 0.771, 0.74)