homogeneity_score

sklearn.metrics.homogeneity_score(labels_true, labels_pred)[source]

Метрика однородности метки кластеризации, заданной с учетом истинного значения.

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

Эта метрика не зависит от абсолютных значений меток: перестановка значений меток класса или кластера не изменит значение оценки никоим образом.

Эта метрика несимметрична: переключение label_true с label_pred вернет completeness_score, которая, вообще говоря, будет отличаться.

Подробнее см. в Руководстве пользователя.

Параметры:

labels_truearray-like of shape (n_samples,)

Истинные метки классов, используемые в качестве ссылки.

labels_predarray-like of shape (n_samples,)

Метки кластеров для оценки.

Возвращает:

homogeneityfloat

Оценка от 0.0 до 1.0. 1.0 соответствует идеально однородной метке.

См. также

completeness_score

Метрика полноты метки кластеризации.

v_measure_score

Метрика V-мера (NMI с вариантом арифметического среднего).

Справочные материалы

[1]

Andrew Rosenberg и Julia Hirschberg, 2007. V-Measure: A conditional entropy-based external cluster evaluation measure

Примеры

Идеальные метки однородные:

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

Неидеальные метки, которые дополнительно разбивают классы на большее количество кластеров, могут быть идеально однородными:

>>> 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, которые включают образцы из разных классов, не создают однородной метки:

>>> 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 галереи

Демонстрация кластеризации K-средних на данных рукописных цифр

Демонстрация алгоритма кластеризации DBSCAN

Демонстрация алгоритма кластеризации методом взаимного распространения

Кластеризация текстовых документов с помощью K-средних