一、Given Label

均一性homogeneity：一个簇中只包含一个类别样本，Precision
完整性completeness：同类别样本被归到同一个簇中，Recall
将均一性h和完整性c进行结合(二者加权平均)得到V-Measure，，β为权重

代码实现

from sklearn import metricsif __name__ == "__main__":y = [0, 0, 0, 1, 1, 1]#正确的分类y_hat = [0, 0, 1, 1, 2, 2]#生成的分类h = metrics.homogeneity_score(y, y_hat)c = metrics.completeness_score(y, y_hat)print(u'同一性(Homogeneity)：', h)print(u'完整性(Completeness)：', c)v2 = 2 * c * h / (c + h)v = metrics.v_measure_score(y, y_hat)print(u'V-Measure：', v2, v)y = [0, 0, 0, 1, 1, 1]y_hat = [0, 0, 1, 3, 3, 3]h = metrics.homogeneity_score(y, y_hat)c = metrics.completeness_score(y, y_hat)v = metrics.v_measure_score(y, y_hat)print(u'同一性(Homogeneity)：', h)print(u'完整性(Completeness)：', c)print(u'V-Measure：', v)# 允许不同值y = [0, 0, 0, 1, 1, 1]y_hat = [1, 1, 1, 0, 0, 0]h = metrics.homogeneity_score(y, y_hat)c = metrics.completeness_score(y, y_hat)v = metrics.v_measure_score(y, y_hat)print(u'同一性(Homogeneity)：', h)print(u'完整性(Completeness)：', c)print(u'V-Measure：', v)"""y = [0, 0, 1, 1]y_hat = [0, 1, 0, 1]ari = metrics.adjusted_rand_score(y, y_hat)print(ari)y = [0, 0, 0, 1, 1, 1]y_hat = [0, 0, 1, 1, 2, 2]ari = metrics.adjusted_rand_score(y, y_hat)print(ari)
"""

二、ARI评估

已知类别的情况下，看看聚类算法是否对这样的数据集有效
评判聚类结果Y和实际结果X相关性
n11是共同的，a1是X1簇中的样本数量，b1是Y1簇中样本个数
Rand Index Adjusted Rand index(调整兰德指数)(ARI)：表示数据集中可以组成的对数，RI取值范围为[0,1]，值越大意味着聚类结果与真实情况越吻合
ARI取值范围为[−1,1]，值越大意味着聚类结果与真实情况越吻合。从广义的角度来讲，ARI衡量的是两个数据分布的吻合程度
任意取两个是属于某一个类别的概率一样

三、AMI

四、轮廓系数

计算同簇内每一个样本到同簇内样本的平均距离，可以度量这个样本和其他同簇样本的相似性
计算一个簇内每一个样本到不同簇内所有样本的距离，不同簇的那些样本距离求平均，然后求最小的那个距离，是不相似性
第一个值很小，第二个值很大，那这个就是簇内很典型性的样本
如果相反，按道理应该属于另外一个簇了

轮廓系数是要照顾到每一个样本的

Si接近1说明样本i聚类合理，Si接近-1说明样本更应该分到其他簇
Si接近0说明在簇分界上