Clustering
調整後的蘭德指數與調整後的互信息
我正在嘗試評估聚類性能。我正在閱讀有關metrics的 skiscit-learn 文檔。我不明白 ARI 和 AMI 之間的區別。在我看來，他們以兩種不同的方式做同樣的事情。
從文檔中引用：
鑑於基本事實類分配標籤_true和我們對相同樣本標籤_pred的聚類算法分配的知識，調整後的蘭德指數是一個衡量兩個分配相似性的函數，忽略排列和機會歸一化。
對比
鑑於地面實況類分配labels_true和我們對相同樣本labels_pred的聚類算法分配的知識，互信息是一個衡量兩個分配一致性的函數，忽略排列……AMI是最近提出的，並且針對機會。
我應該在我的聚類評估中同時使用它們還是這會是多餘的？
它們是所有試圖比較聚類的十幾個中的兩個。
但它們並不等價。他們使用不同的理論。
有時，ARI 可能更喜歡一種結果，而 AMI 可能更喜歡另一種結果。但他們通常在偏好上達成一致（而不是在數字上）。