consensus_score#

sklearn.metrics.consensus_score(a, b, *, similarity='jaccard')[源代码]#

两组双集群的相似性。

计算单个双聚类之间的相似性。然后通过求解线性和分配问题，使用修改的Jonker-Volgenant算法找到集合之间的最佳匹配。最终得分是相似性的总和除以较大集合的大小。

阅读更多的 User Guide .

参数:

a元组（行，列）: 一组双集群的行和列指示器组。
b元组（行，列）: 另一组双集群，例如 a .
similarity“jaccard”或可调用，默认=“jaccard”: 可以是使用Jaccard系数的字符串“jaccard”，或者是任何接受四个参数的函数，每个参数都是1d指示器载体：（a_rows，a_lines，b_rows，b_lines）。

返回:

consensus_score浮子: 共识得分，非负值，相似性之和除以较大集合的大小。

参见

scipy.optimize.linear_sum_assignment: 解决线性和分配问题。

引用

Hochreiter，Bodenhofer，et.阿尔。，2010. FABIA: factor analysis for bicluster acquisition .

示例

>>> from sklearn.metrics import consensus_score
>>> a = ([[True, False], [False, True]], [[False, True], [True, False]])
>>> b = ([[False, True], [True, False]], [[True, False], [False, True]])
>>> consensus_score(a, b, similarity='jaccard')
np.float64(1.0)