调整兰德系数（Adjusted Rand index，ARI）的计算

兰德指数(Rand index, RI)

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:

如果有了类别标签，那么聚类结果也可以像分类那样计算准确率和召回率。

假设U是外部评价标准，即true_label， 而V是聚类结果，设定4个统计量

符号	解释	更直白的解释	决策正确与否
TP / a	在U中为同一类，且在V中也为同一类别的数据点对数	将相似的样本归为同一个簇(同–同)	正确的决策
TN / d	在U中不在同一类，且在V中也不属于同一类别的数据点对数	将不相似的样本归入不同的簇(不同–不同)	正确的决策
FP / c	在U中不在同一类，但在V中维同一类的数据点对数	将不相似的样本归为同一个簇(不同–同)	错误的决策
FN / b	在U中为同一类，但在V中却隶属于不同类别的数据点对数	将相似的样本归入不同的簇(同–不同)	错误的决策

	Same Cluster	Different Cluster	Sum U
Same Class	TP / a	FN / b	a+b
Different Class	FP / c	TN / d	c+d
Sum V	a+c	b+d	a+b+c+d

RI则是计算“正确决策”的比率，故$$RI=\frac{TP+TN}{TP+FP+TN+FN}=\frac{TP+TN}{C_N^2}=\frac{a+d}{C_2^{n_{samples}}}$$
分母 $C_N^2$ 和$C_2^{n_{samples}}$ 皆表示任意两个样本为一类有多少种组合，是数据集中可以组成的总元素对数

调整兰德指数(Adjusted Rand index, ARI)

调整兰德系数(Adjusted Rand index, ARI), 为什么要引进 ARI呢，因为 RI 的问题在于对两个随机的划分， 其 RI 值不是一个接近于 0 的常数。Hubert和Arabie在1985年提出了调整兰德系数，调整兰德系数假设模型的超分布为随机模型，即 X 和 Y 的划分为随机的，那么各类别和各簇的数据点数目是固定的。

要计算该值, 先计算出列联表(contingency table ), 表中每个值$n_{ij}$表示某个 document 同时位于 cluster ( $Y$) 和 class ($X$) 的个数, 在通过该表可以计算 ARI 值即可。


$$ARI=\frac{RI-E(RI)}{max(RI)-E(RI)}$$
$ARI\in [-1,1]$ 。值越大意味着聚类结果与真实情况越吻合。从广义的角度来将，ARI是衡量两个数据分布的吻合程度的。

• 优缺点
  • 优点：
    1.）对任意数量的聚类中心和样本数，随机聚类的ARI都非常接近于0；
    2.）取值在［－1，1］之间，负数代表结果不好，越接近于1越好；
    3.) 可用于聚类算法之间的比较
  • 缺点：
    1.）ARI需要真实标签

python代码：

• 需要sklearn库中的adjusted_rand_score的方法

from sklearn import metrics
labels_true = [0, 0, 0, 1, 1, 1]
labels_pred = [0, 0, 1, 1, 2, 2]

# 基本用法
score = metrics.adjusted_rand_score(labels_true, labels_pred)
print(score)  # 0.24242424242424246

# 与标签名无关
labels_pred = [1, 1, 0, 0, 3, 3]
score = metrics.adjusted_rand_score(labels_true, labels_pred)
print(score)  # 0.24242424242424246

# 具有对称性
score = metrics.adjusted_rand_score(labels_pred, labels_true)
print(score)  # 0.24242424242424246

# 接近 1 最好
labels_pred = labels_true[:]
score = metrics.adjusted_rand_score(labels_true, labels_pred)
print(score)  # 1.0

# 独立标签结果为负或者接近 0
labels_true = [0, 1, 2, 0, 3, 4, 5, 1]
labels_pred = [1, 1, 0, 0, 2, 2, 2, 2]
score = metrics.adjusted_rand_score(labels_true, labels_pred)
print(score)  # -0.12903225806451613

参考博客：

1. https://zhuanlan.zhihu.com/p/53840697
2. https://www.cnblogs.com/TimVerion/p/11323033.html
3. 聚类算法的评价指标
4. 【Python-ML】聚类的性能评价指标