使用 Python 中的 sklearn 计算完整性分数
原文:https://www . geeksforgeeks . org/计算完整性分数-使用-sklearn-in-python/
一个完全完整的集群是指每个集群都有指向相似类集群的信息。完备性描述了聚类算法对这种(完备性分数)完善性的接近程度。
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。
sklearn . metrics . completion _ score()
语法:sklearn . metrics . completion _ score(labels _ true，labels_pred)
参数:
- labels _ true:<int array，shape =【n _ samples】>:它接受地面真值类标签作为参考。
- 标签 _pred: < 阵列状的形状(n_samples)， > : 它接受要评估的聚类标签。
返回:0.0-1.0 之间的完整性分数。1.0 代表完美的完整性标签。
用 label_pred 切换 label_true 将返回同质性分数。
例 1:
Python 3
# Importing the modules
import pandas as pd
from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.metrics import completeness_score
# Loading the data
digits = datasets.load_digits()
# Separating the dependent and independent variables
Y = digits.target
X = digits.data
# 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
print(completeness_score(Y, labels))
输出:
0.8471148027985769
示例 2: 完全完整性:
Python 3
# Importing the module
from sklearn.metrics.cluster import completeness_score
# Evaluating the score
Cscore = completeness_score([0, 1, 0, 1],
[1, 0, 1, 0])
print(Cscore)
版权属于：月萌API www.moonapi.com，转载请注明出处
