Scikit learn 聚类算法的准确度是多少？

我有一组使用聚类算法（本例中为k-means）聚类的点。我也知道基本真相标签，我想衡量我的聚类有多准确。我需要的是找到实际的准确度。当然，问题是集群给出的标签与原始标签的顺序不匹配

有没有办法测量这种精确度？直观的想法是计算每个标签组合的混淆矩阵的分数，只保留最大值。有没有这样的函数

我还使用兰德分数和调整后的兰德分数评估了我的结果。这两个指标与实际准确度有多接近

---

谢谢

您可以使用下面提到的链接中记录的sklearn.metrics.accurity

在下面提到的链接中可以看到一个例子

---

首先，

问题当然是，集群给出的标签与原始标签的顺序不匹配。

的意思是什么

如果您知道基本真值标签，那么您可以重新排列它们以匹配

X

矩阵的顺序，这样，Kmeans标签在预测后将与真值标签一致

---

在这种情况下，我建议如下

• 如果您有地面真实值标签，并且希望了解模型的准确性，那么您需要诸如兰德指数或预测和真实标签之间的互信息等指标。您可以在交叉验证方案中执行此操作，并查看模型的行为，即它是否能够正确预测交叉验证方案下的类/标签。预测优度的评估可以使用兰德指数等指标进行计算

总之：

from sklearn.cluster import KMeans
from sklearn.metrics.cluster import adjusted_rand_score
from sklearn.datasets import load_iris
from sklearn.model_selection import LeaveOneOut
import numpy as np

# some data
data = load_iris()
X = data.data
y = data.target # ground truth labels
loo = LeaveOneOut()

rand_index_scores = []
for train_index, test_index in loo.split(X): # LOOCV here
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

   # the model
   kmeans = KMeans(n_clusters=3, random_state=0)
   kmeans.fit(X_train) # fit using training data
   predicted_labels = kmeans.predict(X_test) # predict using test data
   rand_index_scores.append(adjusted_rand_score(y_test, predicted_labels)) # calculate goodness of predicted labels

print(np.mean(rand_index_scores))

• 定义Kmeans模型，使用交叉验证，并在每次迭代中估计赋值和真标签之间的兰德指数（或互信息）。对所有迭代重复该步骤，最后取兰德指数分数的平均值。如果这个分数很高，那么这个模型就是好的

---

完整示例：

from sklearn.cluster import KMeans
from sklearn.metrics.cluster import adjusted_rand_score
from sklearn.datasets import load_iris
from sklearn.model_selection import LeaveOneOut
import numpy as np

# some data
data = load_iris()
X = data.data
y = data.target # ground truth labels
loo = LeaveOneOut()

rand_index_scores = []
for train_index, test_index in loo.split(X): # LOOCV here
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

   # the model
   kmeans = KMeans(n_clusters=3, random_state=0)
   kmeans.fit(X_train) # fit using training data
   predicted_labels = kmeans.predict(X_test) # predict using test data
   rand_index_scores.append(adjusted_rand_score(y_test, predicted_labels)) # calculate goodness of predicted labels

print(np.mean(rand_index_scores))

---

由于集群是一个无监督的学习问题，因此您有特定的度量标准：

您可以参考《scikit学习用户指南》中的讨论，了解集群不同指标之间的差异：

---

例如，调整后的兰德指数将比较一对点，并检查如果这些标签在地面真相中是相同的，那么在预测中也是相同的。与准确度不同，您不能严格定义标签相等。

您所说的“混淆矩阵得分”是什么意思？谢谢！我还有几个问题：为什么我需要原始数据（在你的例子中是X）？我已经在我的数据集上试过了，我得到的准确度比随机猜测要差得多，而随机猜测肯定是错误的。总而言之，当我有10个集群时，为什么会得到三个不同的答案？再次感谢你！