2023年3月19日 · 本文介绍了聚类性能评估的外部和内部指标，包括Purity、ARI、NMI、Accuracy等，并提供了Python和Matlab的实现代码。 这些指标用于衡量聚类结果的质量，外部指标如ARI更注重与已知标签的匹配，内部指标则关注数据的内在结构。

2020年11月25日 · 本文将介绍几个常见的聚类评价指标: Purity, NMI, RI, Precision(查准率), Recall(查全率), F, ARI, Accuracy(正确率).好的聚类算法,一般要求类簇具有：高的类内 (intra-cluster) 相似度 (documents within a cluster are similar)低的类间 (inter-cluster) 相似度 (documen...

本文将介绍几个常见的聚类评价指标: Purity, NMI, RI, Precision(查准率), Recall(查全率), F, ARI, Accuracy(正确率). 好的聚类算法,一般要求类簇具有： 高的类内 (intra-cluster) 相似度 (documents within a cl…

2022年8月22日 · 调整兰德系数（Adjusted Rand Index, ARI）是一种用于评估聚类结果与真实标签之间相似度的指标。 它在传统 兰德 系数（ Rand Index , RI）的基础上进行了 调整 ，考虑了随机 聚类 的期望值，因此能够更公平地评估 聚类 结果。

为了计算ARI的值，引入contingency table（列联表），反映实例类别划分与聚类划分的重叠程度，表的行表示实际划分的类别，表的列表示聚类划分的簇标记，nij表示重叠实例数量，如下所示：

在聚类任务中，常见的评价指标有：纯度（Purity）、 兰德系数 （Rand Index, RI）、 F值 （F-score）和 调整兰德系数 （Adjusted Rand Index,ARI）。同时，这四种评价指标也是聚类相关论文中出现得最多的评价方法。

深度聚类评估指标（Purity、ACC、NMI、RI、ARI） Purity, NMI, RI 等上述指标均需要给定 truth label 才能对 cluster label 进行评价，但是均不要求后者的类标与前者一致。那什么时候需要进行类标签的 best map 呢？

2022年8月4日 · 3. 调整兰德系数（ari）的计算公式. 在计算调整兰德系数时，思路会发生一定的改变。我们此时不依赖于混淆矩阵，而是比较聚类算法得到的标签和自身真实标签之间的差异：

2023年10月8日 · 针对数据有类别标签的情况Adjusted Rand index (ARI)优点：1.1 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；1.2 取值在[－1，1]之

目前的深度聚类领域的论文大多采用的是acc、nmi、ari三种，并且大多以nmi的值为准来衡量一个模型的聚类性能。也有部分论文采用了分类的f1指标来作为一种参考指标（个人认为可以不用）。