sklearn.metrics.fowlkes_mallows_score?
sklearn.metrics.fowlkes_mallows_score(labels_true, labels_pred, *, sparse=False)
測量一組數據點的兩個聚類的相似度。
版本0.18中的新功能。
Fowlkes-Mallows指數（FMI）定義為精度和召回率之間的幾何平均值：
FMI = TP / sqrt((TP + FP) * (TP + FN))
其中TP是真正例的數量（即，在labels_true和labels_pred中屬于同一簇的點對的數量），FP是假正例的數量（即，在labels_true中而不在labels_pred中的在同一簇中的點對的數量），FN是假負例（即，屬于labels_pred中相同簇而不屬于labels_True中的在同一簇中的點對的數量）。
分數范圍從0到1。較高的值表示兩個聚類之間的相似性良好。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| labels_true | int array, shape = (n_samples,)數據聚集成不相交的子集。 |
| labels_pred | array, shape = (n_samples, )數據聚集成不相交的子集。 |
| sparse | bool 在內部使用稀疏矩陣計算權變矩陣。 |
| 返回值 | 說明 |
|---|---|
| score | float 得到的Fowlkes-Mallows得分。 |
參考
2 Wikipedia entry for the Fowlkes-Mallows Index
示例
完全標簽既均勻又完整，因此得分為1.0：
>>> from sklearn.metrics.cluster import fowlkes_mallows_score
>>> fowlkes_mallows_score([0, 0, 1, 1], [0, 0, 1, 1])
1.0
>>> fowlkes_mallows_score([0, 0, 1, 1], [1, 1, 0, 0])
1.0
如果類成員完全分散在不同的群集中，則分配是完全隨機的，因此FMI為空：
>>> fowlkes_mallows_score([0, 0, 0, 0], [0, 1, 2, 3])
0.0