我试图通过使用scikit learn's normalized_mutual_info_score() function.来评估归一化互信息（NMI）的集群质量。我理解NMI的数学理论，但对这个函数如何工作有点困惑。
参数是两个数组，包含两个聚类（labels_pred）和分类（labels_true）的标签。我对这两个数组的理解是，标签是有序的，我的意思是，例如if，
labels_pred=[0,0,1,1]然后将文档编号one和two标记为zero，将third和fourth标记为one 。现在，如果label_true=[0,0,0,1]，则表示文档one，two和three的基本事实分类为zero，fourth为{{1} }}。因此分类器错误地分类了第三个文档。我的理解是否正确？
现在，请查看文档，one和labels_true = [0, 0, 0, 1, 1, 1]，根据我的理解，群集算法正确预测了3个文档（第一个，第二个和第四个）。不过他们说，
labels_pred = [0, 0, 1, 1, 2, 2]
One can permute 0 and 1 in the predicted labels因此，如果normalized_mutual_info_score are symmetric: swapping the argument does not change the score
，则只有一个文档被正确标记。据他们说，这种交换不会改变NMI。这是为什么？我的理解有什么问题？
感谢您花时间阅读我的问题。我将非常感谢任何帮助，谢谢。
答案 0 :(得分：1)
你不能（并且方法没有）期望一个群集中的“1”与其他群集中的“1”相同。
每个标签都与其他标签进行比较。因此，重命名标签不会影响结果。
事实上，标签甚至来自不同的领域也很常见。一旦你走出“一切都是一个数字”框，标签是很常见的，例如文本。
例如着名的虹膜数据集。这些类不标记为0,1,2，但是iris setosa，iris virginica等。但是，如果你运行k-means，k-means将标记簇0,1,2，因为它没有名字。
因此，任何群集评估指标必须能够匹配不同的标签（通常，将每个标签与每个其他标签进行比较，匹配所有对）。
“交换参数”然而指的是不同的东西：你也可以交换labels_pred和labels_true，结果不会改变。没有假设哪个论证是“正确的”。这些度量只是衡量从标签获得的分区的相似程度。