homogeneity_score#

sklearn.metrics.homogeneity_score(labels_true, labels_pred)[источник]#

Метрика однородности кластерной разметки при заданной истинной разметке.

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

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

Эта метрика не симметрична: переключение label_true с label_pred вернет completeness_score которые в общем случае будут разными.

Параметры:

labels_truearray-like формы (n_samples,): Истинные метки классов, используемые в качестве эталона.
labels_predarray-like формы (n_samples,): Метки кластеров для оценки.

Возвращает:

гомогенностьfloat: Оценка от 0.0 до 1.0. 1.0 означает идеально однородную маркировку.

Смотрите также

Ссылки

[1]

Примеры

Идеальные разметки однородны:

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

Неидеальные разметки, которые дополнительно разделяют 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, включающие выборки из разных классов, не обеспечивают однородной маркировки:

>>> 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#