兰德指数函数（聚类性能评估）

Posted 2023-03-12

【中文标题】兰德指数函数（聚类性能评估）

【英文标题】：Rand Index function (clustering performance evaluation)

【发布时间】：2018-09-10 05:19:52

【问题描述】：

据我所知，python 中没有可用于 Rand Index 的包，而对于 Adjusted Rand Index，您可以选择使用 sklearn.metrics.adjusted_rand_score(labels_true, labels_pred)。

我为 Rand Score 编写了代码，我将与其他人分享它作为帖子的答案。

【问题讨论】：

为什么要使用未经调整的兰德指数？

@Anony-Mousse 这是一些论文中使用的方法。大多数情况下，这两种方法都已实施并在结果表中报告。不过，我同意在大多数情况下 ARI 是一个更好的指标。

【参考方案1】：

从 scikit-learn 0.24.0 开始，添加了sklearn.metrics.rand_score 函数，实现了（未调整的）兰德指数。请查看changelog。

你所要做的就是：

from sklearn.metrics import rand_score

rand_score(labels_true, labels_pred)

labels_true 和 labels_pred 可以在不同的域中具有值。例如：

>>> rand_score(['a', 'b', 'c'], [5, 6, 7])
1.0

【参考方案2】：

from scipy.misc import comb
from itertools import combinations
import numpy as np

def check_clusterings(labels_true, labels_pred):
    """Check that the two clusterings matching 1D integer arrays."""
    labels_true = np.asarray(labels_true)
    labels_pred = np.asarray(labels_pred)    
    # input checks
    if labels_true.ndim != 1:
        raise ValueError(
            "labels_true must be 1D: shape is %r" % (labels_true.shape,))
    if labels_pred.ndim != 1:
        raise ValueError(
            "labels_pred must be 1D: shape is %r" % (labels_pred.shape,))
    if labels_true.shape != labels_pred.shape:
        raise ValueError(
            "labels_true and labels_pred must have same size, got %d and %d"
            % (labels_true.shape[0], labels_pred.shape[0]))
    return labels_true, labels_pred

def rand_score (labels_true, labels_pred):
"""given the true and predicted labels, it will return the Rand Index."""
    check_clusterings(labels_true, labels_pred)
    my_pair = list(combinations(range(len(labels_true)), 2)) #create list of all combinations with the length of labels.
    def is_equal(x):
        return (x[0]==x[1])
    my_a = 0
    my_b = 0
    for i in range(len(my_pair)):
            if(is_equal((labels_true[my_pair[i][0]],labels_true[my_pair[i][1]])) == is_equal((labels_pred[my_pair[i][0]],labels_pred[my_pair[i][1]])) 
               and is_equal((labels_pred[my_pair[i][0]],labels_pred[my_pair[i][1]])) == True):
                my_a += 1
            if(is_equal((labels_true[my_pair[i][0]],labels_true[my_pair[i][1]])) == is_equal((labels_pred[my_pair[i][0]],labels_pred[my_pair[i][1]])) 
               and is_equal((labels_pred[my_pair[i][0]],labels_pred[my_pair[i][1]])) == False):
                my_b += 1
    my_denom = comb(len(labels_true),2)
    ri = (my_a + my_b) / my_denom
    return ri

举个简单的例子：

labels_true = [1, 1, 0, 0, 0, 0]
labels_pred = [0, 0, 0, 1, 0, 1]
rand_score (labels_true, labels_pred)
#0.46666666666666667

可能有一些方法可以改进它并使其更加pythonic。如果您有任何建议，您可以改进它。

我发现this implementation 似乎更快。

import numpy as np
from scipy.misc import comb
def rand_index_score(clusters, classes):
    tp_plus_fp = comb(np.bincount(clusters), 2).sum()
    tp_plus_fn = comb(np.bincount(classes), 2).sum()
    A = np.c_[(clusters, classes)]
    tp = sum(comb(np.bincount(A[A[:, 0] == i, 1]), 2).sum()
             for i in set(clusters))
    fp = tp_plus_fp - tp
    fn = tp_plus_fn - tp
    tn = comb(len(A), 2) - tp - fp - fn
    return (tp + tn) / (tp + fp + fn + tn)

举个简单的例子：

labels_true = [1, 1, 0, 0, 0, 0]
labels_pred = [0, 0, 0, 1, 0, 1]
rand_index_score (labels_true, labels_pred)
#0.46666666666666667

【讨论】：

@theausome 我收回我的评论。

对我来说看起来像一个非常慢的代码。如果你在更大的数据集上运行它，需要多长时间？与 ARI 实现相比？

肯定会更慢，因为它包含一个 ARI 中不存在的 for 循环。如果您有任何改进建议，请发表评论或添加答案。我从类似的 R 代码转换它。 @Anony-Mousse

它不应该比 ARI 慢，其中包括 RI 的计算。