мера_однородности_полноты_v

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

Вычисление мер однородности, полноты и V-мера одновременно.

Эти метрики основаны на нормализованных мерах условной энтропии меток кластеризации для оценки с учетом знаний меток классов истинного значения для тех же выборок.

Результат кластеризации удовлетворяет требованию однородности, если все кластеры содержат только точки данных, которые являются членами одного класса.

Результат кластеризации удовлетворяет требованию полноты, если все точки данных, которые являются членами данного класса, являются элементами одного кластера.

Оба значения имеют положительные значения от 0,0 до 1,0, и более высокие значения предпочтительнее.

Эти 3 метрики не зависят от абсолютных значений меток: перестановка значений меток классов или кластеров никак не повлияет на значения оценок.

Кроме того, мера V 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 с методом арифметического усреднения.

Дополнительную информацию см. в Руководстве пользователя.

Параметры:

labels_trueмассив-подобный формы (n_samples,)

Метки классов истинного значения, используемые в качестве эталона.

labels_predмассив-подобный формы (n_samples,)

Метки кластеров для оценки.

betafloat, по умолчанию=1.0

Соотношение весов, присваиваемых homogeneity по сравнению с completeness. Если beta больше 1, completeness сильнее взвешивается при вычислении. Если beta меньше 1, homogeneity сильнее взвешивается.

Возвращает:

однородностьfloat

Значение от 0,0 до 1,0. 1,0 соответствует идеально однородной метке.

полнотаfloat

Значение от 0,0 до 1,0. 1,0 соответствует идеально полной метке.

v_мераfloat

Гармоническое среднее первых двух.

См. также

homogeneity_score

Метрика однородности метки кластеризации.

completeness_score

Метрика полноты метки кластеризации.

v_measure_score

V-мера (NMI с арифметическим усреднением).

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)
(np.float64(0.71...), np.float64(0.77...), np.float64(0.73...))