这个方法按预期工作，并为其中一个组返回了1。
from sklearn import metricslabels_true = [0, 0, 0, 1, 1, 1]labels_pred = [6, 6, 6, 1, 2, 2]metrics.homogeneity_completeness_v_measure(labels_true, labels_pred)(1.0, 0.6853314789615865, 0.8132898335036762)
但是，这返回了所有三个组的0.75，而我期望像上面提到的例子一样，其中一个组是”1.0″。
y = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2]labels = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 2, 2, 2, 2, 0, 2, 2, 2, 2, 2, 2, 0, 0, 2, 2, 2, 2, 0, 2, 0, 2, 0, 2, 2, 0, 0, 2, 2, 2, 2, 2, 0, 2, 2, 2, 2, 0, 2, 2, 2, 0, 2, 2, 2, 0, 2, 2, 0]metrics.homogeneity_completeness_v_measure(y, labels)(0.7514854021988339, 0.7649861514489816, 0.7581756800057786)
期望上述某个组的得分为1！
更新：
如你所见，其中一个组与另一个组匹配，因此其中一个值应该为1，而不是我得到的所有三个组的0.75准确率。这是不符合预期的！
from collections import CounterCounter(y)Counter(labels)Counter({0: 50, 1: 50, 2: 50})Counter({1: 50, 0: 62, 2: 38})回答：
首先，同质性、完整性和v度量得分的计算方法如下：
C和K是两个随机变量。在你的案例中，C是真实标签，而K是预测标签。如果h = 1，这意味着H(C|K) = 0，因为H(C)总是小于0。如果H(C|K) = 0，这意味着随机变量C完全由给定的随机变量K决定，你可以在条件熵的详细定义中看到更多信息。所以在你的第一个案例中，为什么h = 1？因为当我给出一个随机变量K的值（预测标签）时，我知道随机变量C（真实标签）会是什么。如果k等于6，我知道c是0。如果k是1，c是1，等等。所以在谈到第二个案例时，为什么h != 1或c != 1。因为尽管1到0之间有完美的匹配，但其他类别之间没有完美的匹配。如果我给出k是1，我知道c是0。但是当我给出k是0时，我不确定c是1还是2。因此，同质性得分或反过来，完整性得分，你可以思考一下，不会是1。
