使用 Python 中的 sklearn 进行同质性评分
原文:https://www . geesforgeks . org/同质 _ score-using-sklearn-in-python/
一个完全同质的聚类是指每个聚类都有指向相似类别标签的信息。同质性描绘了聚类算法对这种(同质性 _ 得分)完美性的接近程度。
这个度量独立于标签的直接值。聚类标签值的排列不会以任何方式改变分值。
语法: sklearn.metrics .同质性 _score(labels_true，labels_pred)
度量不对称，将标签 _ 真切换为标签 _ 预解码将返回完整性分数。
参数:
- 标签 _ 真:< int array，shape =【n _ samples】>:它接受地面真类标签作为参考。
- 标签 _pred: < 阵列状的形状(n_samples)， > : 它接受要评估的聚类标签。
返回:
同质:< 浮动 > : 其返回 0.0 到 1.0 之间的分数代表完全同质标注。
示例 1:
Python 3
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.metrics import homogeneity_score
# Changing the location file
# cd C:\Users\Dev\Desktop\Credit Card Fraud
# Loading the data
df = pd.read_csv('creditcard.csv')
# Separating the dependent and independent variables
y = df['Class']
X = df.drop('Class', axis=1)
# Building the clustering model
kmeans = KMeans(n_clusters=2)
# Training the clustering model
kmeans.fit(X)
# Storing the predicted Clustering labels
labels = kmeans.predict(X)
# Evaluating the performance
homogeneity_score(y, labels)
输出:
0.00496764949717645
实施例 2: 完全均匀:
Python 3
from sklearn.metrics.cluster import homogeneity_score
# Evaluate the score
hscore = homogeneity_score([0, 1, 0, 1], [1, 0, 1, 0])
print(hscore)
输出:
1.0
示例 3: 进一步将类分成更多簇的非完美标签可以是完全同质的:
Python 3
from sklearn.metrics.cluster import homogeneity_score
# Evaluate the score
hscore = homogeneity_score([0, 0, 1, 1], [0, 1, 2, 3])
print(hscore)
输出:
0.9999999999999999
示例 4: 包含不同类别的样本不适合同质标记:
Python 3
from sklearn.metrics.cluster import homogeneity_score
# Evaluate the score
hscore = homogeneity_score([0, 0, 1, 1], [0, 1, 0, 1])
print(hscore)
输出:
0.0
版权属于：月萌API www.moonapi.com，转载请注明出处
