我在一个数据集上进行K-means聚类，并且我有可用的真实标签。我在聚类过程中使用这些标签来找到最佳的K值，并计算了V-Measure和调整后的Rand分数。

为了评估我的最佳模型，我希望为每个已知标签提供一个指标，描述它被聚类的效果如何——几乎就像纯度分数，但适用于跨多个聚类的标签。

例如，标签0有5个数据点，因此我们有以下情况：
true_labels = [0,0,0,0,0]
cluster_numbers = [1,1,1,1,1]（即所有标签0的点都在同一个聚类中）
–> 应返回完美的分数1.0

如果标签的点分布在多个聚类中，像这样
cluster_numbers = [0,0,0,1,1]
–> 返回分数0.6

有没有人知道可以用来评估聚类中每个真实标签的指标？这不必像我上面给出的例子那样工作。

回答：

我认为你可以尝试评估混淆矩阵并检查多数投票。例如，我们使用鸢尾花数据集：

from sklearn.datasets import load_irisfrom sklearn.cluster import SpectralClusteringfrom sklearn.metrics import confusion_matriximport pandas as pd    data = load_iris()df = pd.DataFrame(data.data, columns=['sepal.length','sepal.width','petal.length','petal.width'])labels = data.target

然后我们进行谱聚类：

clustering = SpectralClustering(n_clusters=3,assign_labels="discretize",random_state=0).fit(df)    M = confusion_matrix(labels,clustering.labels_)    Marray([[ 0, 50,  0],      [ 2,  0, 48],      [37,  0, 13]])

对于每一行，你都有每个标签的预测。你上面提到的纯度是这样的：

np.max(M,axis=1)/np.sum(M,axis=1)array([1.  , 0.96, 0.74])

如果你想要一个总体的一致性评分，你可以使用：

from sklearn.metrics import adjusted_rand_scoreadjusted_rand_score(labels,clustering.labels_)0.7436826319432357