homogeneity_score

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

Метрика однородности кластеризации по заданной разметке истинных классов.

Результат кластеризации удовлетворяет условию однородности, если каждый кластер содержит только точки данных, принадлежащие одному классу.

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

Эта метрика несимметрична: замена label_true на label_pred вернёт completeness_score, значение которой, как правило, будет отличаться.

Параметры:

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

Возвращает:

homogeneityfloat: Оценка от 0.0 до 1.0. Значение 1.0 соответствует идеально однородной разметке.

См. также

[1]

Идеальная разметка является однородной:

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

Неидеальная разметка, при которой классы разделены на большее число кластеров, также может быть идеально однородной:

>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 0, 1, 2]))
1.000000
>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 1, 2, 3]))
1.000000

Кластеры, включающие образцы из разных классов, не образуют однородную разметку:

>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 1, 0, 1]))
0.0...
>>> print("%.6f" % homogeneity_score([0, 0, 1, 1], [0, 0, 0, 0]))
0.0...

Примеры в галерее