聚类算法评价指标学习笔记

聚类算法评价指标学习笔记

      本文列举常用聚类性能度量指标，并列出相应代码与参考资料

      聚类性能度量大致分两类，一类将聚类结果与某个“参考模型”（reference model）进行比较，称为“外部指标”（external index）；另一类是直接考察聚类结果而不利用任何参考模型，称为“内部指标”（internal index）。（机器学习，周志华）。本文主要针对聚类算法的外部指标做总结。

      与分类不同，聚类算法获取的类别标签具有不确定性，不能直接基于ground truth获得类似于分类算法的错误率、召回率、精度等评价指标。聚类算法通常将样本两两配对，再做进一步计算与评价。通过聚类给出的簇划分为C，参考模型（ground truth）给出的簇划分为K，通常K与C给出的簇类别数量不相同。定义a, b, c, d如下：

      a: 在C中属于同一类别且在K中属于同一类别的样本对数量

      b: 在C中属于同一类别且在K中属于不同类别的样本对数量

      c: 在C中属于不同类别且在K中属于同一类别的样本对数量

      d: 在C中属于不同类别且在K中属于不同类别的样本对数量

      记总样本数量为m，显而易见

 

      由上文可导出常用聚类性能度量外部指标：

1. Jaccard 系数（Jaccard Coefficient，简称JC）

1. FM指数（Fowlkes and Mallows Index，简称FMI）

 

1. Rand指数（Rand Index，简称RI）

   

 

      显然，上述性能度量的结果值均在 [0,1] 区间，值越大越好。

V-measure

V-measure 是同质性（homogeneity）和完整性（completeness）的调和平均数，

1. 这个测度独立于label的绝对值，调整类别标签或聚类标签的值不会改变测度结果。
2. 这个测度关于类别标签与聚类标签对称，交换类别标签与聚类标签不会使得测度结果发生变化。
3. 当类别标签未知时，这种测度方法还可以用来比较两种标记策略的相似程度。
4. V-measure取值在[0,1]区间内，值越大相似程度越高。

Mutual information

　　已知聚类标签与真实标签，互信息（mutual information）能够测度两种标签排列之间的相关性，同时忽略标签中的排列。有两种不同版本的互信息以供选择，一种是Normalized Mutual Information（NMI）,一种是Adjusted Mutual Information（AMI）。比起最近才提出的AMI，更早提出的NMI更频繁地应用于文献中。

　　MI、NMI、AMI都是对称函数，交换变量不改变函数值，因此可以用做一致性检验。对于AMI与NMI，最佳的标签配对对应的函数值都是0，但是MI不是，这使得MI有时难以作为判断依据。

      对于随机标签，通常会获得接近于0的AMI值。AMI的输出范围在[0,1]区间内，值越大表示相似程度越高。

      基于MI的测度需要ground truth，在真实环境中ground truth需要大量手工标记，通常难以获得。但这并不意味着MI在无监督学习中一无是处。在纯的无监督学习中，基于MI的测度可以作为一致性指标的构建模块，用于聚类模型选择，用于纯无监督学习。

      NMI与MI没有针对机会做调整(这个“机会”令我费解，要调研一下)。

基于MI的评价指标的数学公式

      假设对于N个样本，存在两种标签分配策略，分别记做U，V。信息熵是一种信息不确定性的测度，定义如下：

 

　　其中  表示从U中随机选取一个样本属于类别 U_i 的概率。同理有：

 

　　其中  。U和V的互信息计算公式如下：

 

　　其中，是随机选取的样本同时属于U_i与V_j的概率。

　　NMI定义如下：

 

　　这个互信息的值经过了标准化，没有针对机会做调整(这个“机会”令我感到很费解，还需要学习)，并且会随着聚类类别数量增加而增加，没有考虑不同的label分配方式之间的“互信息”的实际数量。

　　互信息的期望可以基于以下公式计算获得。（略）

　　AMI，调整后的互信息，定义如下：

 

参考资料

scikit-learn模块中的MI指标说明（包括定义、公式、代码、例程等）

http://scikit-learn.org/stable/modules/clustering.html#mutual-information-based-scores