sklearn.metrics
.homogeneity_completeness_v_measure¶
- sklearn.metrics.homogeneity_completeness_v_measure()¶
Calcula a la vez la homogeneidad, la completitud y la puntuación V-Measure.
Estas métricas se basan en medidas de entropía condicional normalizada del etiquetado de análisis de conglomerados a evaluar dado el conocimiento de las etiquetas de clase de Verdad Fundamental de las mismas muestras.
Un resultado de análisis de conglomerados satisface la homogeneidad si todos sus conglomerados contienen sólo puntos de datos que son miembros de una sola clase.
Un resultado de análisis de conglomerados satisface la completitud si todos los puntos de datos que son miembros de una clase dada son elementos del mismo conglomerado.
Ambos puntajes tienen valores positivos entre 0.0 y 1.0, valores más grandes siendo deseables.
Estás 3 métricas son independientes de los valores absolutos de las etiquetas: una permutación de la clase o de los valores de las etiquetas de conglomerado no cambiará el valor de la puntuación de ninguna manera.
Además, el V-Measure es simétrico: cambiar
labels_true
ylabel_pred
dará la misma puntuación. Esto no se mantiene para la homogeneidad y la completitud. V-Measure es idéntico anormalized_mutual_info_score
con el método de promediado aritmético.Más información en el Manual de usuario.
- Parámetros
- labels_truearreglo de enteros, forma = [n_samples]
las etiquetas clase de verdad fundamental a ser usadas como referencia
- labels_predarray-like de forma (n_samples,)
etiquetas de clúster a evaluar
- betaflotante, default=1.0
Razón de ponderado atribuida a
homogeneity
vscompleteness
. Síbeta
es mayor que 1,completeness
es ponderado más fuertemente en el cálculo. Síbeta
es menor que 1,homogeneity
es ponderado con más fuerza.
- Devuelve
- homogeneityflotante
puntaje entre 0.0 y 1.0. 1.0 significa etiquetado perfectamente homogeneo
- completenessflotante
puntaje entre 0.0 y 1.0. 1.0 significa etiquetado completamente perfecto
- v_measureflotante
media armónica de los dos primeros
Ver también