调整后的兰德指数与调整后的共同信息

我正在尝试评估集群性能。我正在阅读有关metrics的skiscit-learn文档。我不了解ARI和AMI之间的区别。在我看来，他们以两种不同的方式做同样的事情。

从文档中引用：

有了基本实况类分配labels_true和我们的相同样本labels_pred的聚类算法分配的知识，调整后的兰德指数就可以衡量两个分配的相似性，而无需考虑排列和机会归一化。

与

在了解了基本事实类分配labels_true和我们的相同样本labels_pred的聚类算法分配的知识后，互信息是一个函数，用于测量两个分配的一致性，而忽略排列... AMI是最近提出的，并针对机会。

我应该在聚类评估中同时使用它们吗？还是多余？

clustering python scikit-learn

— al27091
source

兰德先生不是随随便便的。

— 退出了–Anony-Mousse's

Answers:

他们是十分之二的，它们都试图比较聚类。

但是它们并不等同。他们使用不同的理论。

有时，ARI可能更喜欢一种结果，而AMI可能更喜欢另一种结果。但是通常他们会优先选择（不是数字）。

— 有QUIT--Anony-Mousse
source

您的意思是什么：“他们同意优先考虑（不是数字同意）？”

— al27091

比较多个结果时。

— 已退出--Anony-Mousse'2

经验法则是：

当地面实况聚类具有相等大小的聚类时，请使用ARI
当地面实况聚类不平衡并且存在小聚类时的美国AMI

我致力于这个话题。参考：调整机会聚类比较度量

— 西蒙妮
source

我在我的一些数据集上应用了HDBSCAN和KMeans，其中KMeans的簇数正确，而HDBSCAN的簇数最小。我的问题是AMI的进展与ARI的进展无关。我在AMI中得到的平均值为0.3和0.35，这很低。我得到的ARI结果分别接近0：0.07和0.01平均值。即使在我使用HDBSCAN获得更好的AMI的情况下，我的ARI得分也非常接近0，即，即使在AMI更高的情况下，HDBSCAN也会产生比KMeans低的ARI。

— ryuzakinho

哪种类型的聚类结果意味着AMI的0.3和0.35对应？

— 西蒙妮

pastebin.com/raw/WHvTxbLm 这是我不了解的情况之一：更好的AMI并不意味着更好的ARI，反之亦然。有什么理由让我相信一个或另一个的相对改进。我不确定要改善我的结果要看哪个指标（从您链接的论文中，考虑到我的班级分布，我认为应该是AMI，但我仍然感到困惑）。

— ryuzakinho

在您的情况下，HDBSCAN结果显示了一个很大的群集，而很多很小的群集按照定义是不平衡的解决方案。因此，使用DBSCAN可以使AMI更大。您的基本事实比该解决方案更加平衡。因此，我将使用ARI在此处选择解决方案。这就是说，看来您获得的集群解决方案并不是那么好。可能是因为您有许多集群。您可以减少所需的群集数量吗？还是您有一些需要考虑的功能，而不是仅使用基于距离的聚类？

— 西蒙妮

经过更多的定性测试后，事实证明，AMI对于我的用例而言更为可靠。确实，AMI表示HDBSCAN更好，而我发现确实更好。尽管我有一个大型噪声群集，但其他群集比KMEANS群集更纯净。

— ryuzakinho