normalized mutual information

归一化互信息（Normalized Mutual Information）是一种用于衡量两个聚类结果之间相似度的指标。它是互信息的一种归一化形式，可以消除聚类结果大小和簇数的影响，使得不同聚类结果之间的比较更加公平。归一化互信息的取值范围在到1之间，值越大表示聚类结果越相似。

相关问题

NMI（Normalized Mutual Information）用于衡量通过特征选择得到的子集与原始数据类别之间的关联度python代码完整示例

在Python中，你可以使用`scikit-learn`库中的`normalized_mutual_info_score`函数来计算NMI。以下是一个完整的示例，假设我们有一个特征矩阵和对应的目标标签：

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import mutual_info_classif
from sklearn.preprocessing import OneHotEncoder
from sklearn.metrics import normalized_mutual_info_score
import pandas as pd

# 假设你有特征数据（DataFrame）
data = pd.DataFrame(..., columns=['feature1', 'feature2', 'feature3'])  # 各列是特征名
# 和对应的类别标签（一维数组）
labels = ...  # 类别标签列表，例如 ['class_0', 'class_1', 'class_2']

# 将类别标签转换为one-hot编码
encoder = OneHotEncoder(sparse=False)
labels_encoded = encoder.fit_transform(labels.reshape(-1, 1)).astype(int)

# 使用SelectKBest方法选择K个特征
selector = SelectKBest(mutual_info_classif, k=5)  # 这里使用了mutual_info_classif作为评分函数
features_selected = selector.fit_transform(data, labels)

# 计算NMI
selected_features_nmi = normalized_mutual_info_score(labels_encoded, selector.get_support())

print(f"NMI between selected features and original classes: {selected_features_nmi}")

使用python代码实现：实现K-means聚类算法 采用normalized mutual information（NMI）作为度量，对自己算法的聚类运行结果进行评估

好的，下面是使用Python实现K-means聚类算法，并使用NMI对聚类结果进行评估的示例代码：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import normalized_mutual_info_score

# 生成示例数据
X = np.random.rand(100, 2)

# 定义K-means聚类算法
def kmeans_clustering(X, n_clusters):
    kmeans = KMeans(n_clusters=n_clusters)
    labels = kmeans.fit_predict(X)
    return labels

# 聚类结果评估
def evaluate_clustering(labels_true, labels_pred):
    nmi = normalized_mutual_info_score(labels_true, labels_pred)
    return nmi

# 假设已知的真实标签
labels_true = [0, 0, 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 4, 4]

# 使用K-means聚类算法得到预测的标签
labels_pred = kmeans_clustering(X, n_clusters=5)

# 评估聚类结果
nmi_score = evaluate_clustering(labels_true, labels_pred)
print("NMI Score:", nmi_score)

注意，这只是一个示例代码，你可以根据自己的数据和需求进行相应的修改。