Ctrl+K

normalized_mutual_info_score#

sklearn.metrics.normalized_mutual_info_score(labels_true, labels_pred, *, average_method='arithmetic')[源代码]#

两个集群之间的标准化互信息。

标准化互信息（NMI）是互信息（MI）评分的标准化，以将结果缩放在0（无互信息）和1（完美相关性）之间。在这个函数中，互信息通过某种广义方法进行规范化 H(labels_true) 和 H(labels_pred)) ，由 average_method .

这项措施没有根据偶然性进行调整。因此 adjusted_mutual_info_score 可能是首选。

该指标与标签的绝对值无关：类或集群标签值的排列不会以任何方式改变得分值。

该指标还具有对称性：切换 label_true 与 label_pred 将返回相同的分数值。当真正的基本事实未知时，这对于测量同一数据集上两个独立标签分配策略的一致性很有用。

阅读更多的 User Guide .

参数:
labels_trueint数组状的形状（n_samples，）

将数据聚集到不相交的子集中。

labels_predint数组状的形状（n_samples，）

将数据聚集到不相交的子集中。

average_method' min '，'算术'，' max '，默认='算术'

如何计算分母中的归一化子。

Added in version 0.20.

在 0.22 版本发生变更: 的默认值 average_method 从“几何”变成“算术”。

返回:
nmi浮子

标准化nats的评分在0.0和1.0之间（基于自然log）。1.0代表完全完整的标签。

参见

v_measure_score

V-测量（具有算术平均值选项的NMI）。

adjusted_rand_score

调整后的兰德指数。

adjusted_mutual_info_score

调整后的相互信息（根据机会调整）。

示例

完美的标签既同质又完整，因此评分为1.0：：

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

如果类成员在不同的集群中完全分离，则分配是完全不完整的，因此NMI为null：：

>>> normalized_mutual_info_score([0, 0, 0, 0], [0, 1, 2, 3])
...
0.0
On this page