adjusted_mutual_info_score#
- sklearn.metrics.adjusted_mutual_info_score(labels_true, labels_pred, *, average_method='arithmetic')#
调整两个聚类的互信息。
调整互信息（AMI）是对互信息（MI）分数的调整，以考虑偶然性。它考虑了这样一个事实：对于具有更多聚类的两个聚类，MI通常更高，无论是否实际上有更多的信息共享。对于两个聚类 \(U\) 和 \(V\) ，AMI 给出如下:
AMI(U, V) = [MI(U, V) - E(MI(U, V))] / [avg(H(U), H(V)) - E(MI(U, V))]
该指标独立于标签的绝对值：类或聚类标签值的排列不会以任何方式改变分数值。
该指标 furthermore 对称：切换 \(U\) （
label_true）和 \(V\) （labels_pred）将返回相同的分数值。当真实的基础真相未知时，这可以用于测量同一数据集上两种独立标签分配策略的一致性。请注意，此函数比其他指标（如调整兰德指数）慢一个数量级。
更多信息请参阅 用户指南 。
- Parameters:
- labels_trueint 类数组，形状为 (n_samples,)
对数据的分区成不相交的子集，在上述公式中称为 \(U\) 。
- labels_predint 类数组，形状为 (n_samples,)
对数据的分区成不相交的子集，在上述公式中称为 \(V\) 。
- average_method{‘min’, ‘geometric’, ‘arithmetic’, ‘max’}, 默认=’arithmetic’
如何计算分母中的标准化因子。
Added in version 0.20.
Changed in version 0.22:
average_method的默认值从 ‘max’ 改为 ‘arithmetic’。
- Returns:
- ami: float（上限为 1.0）
当两个分区相同时（即完全匹配），AMI 返回值 1。随机分区（独立标签）的预期 AMI 平均约为 0，因此可能为负。该值以调整的自然对数（基于自然对数）表示。
See also
adjusted_rand_score调整兰德指数。
mutual_info_score互信息（未针对偶然性进行调整）。
References
Examples
完美的标签既均匀又完整，因此得分为 1.0:
>>> from sklearn.metrics.cluster import adjusted_mutual_info_score >>> adjusted_mutual_info_score([0, 0, 1, 1], [0, 0, 1, 1]) ... 1.0 >>> adjusted_mutual_info_score([0, 0, 1, 1], [1, 1, 0, 0]) ... 1.0
如果类成员完全分散在不同的聚类中，分配完全不完整，因此 AMI 为空:
>>> adjusted_mutual_info_score([0, 0, 0, 0], [0, 1, 2, 3]) ... 0.0
