我正在尝试评估聚类性能。我正在阅读有关metrics的 skiscit-learn 文档。我不明白 ARI 和 AMI 之间的区别。在我看来，他们以两种不同的方式做同样的事情。
从文档中引用：
鉴于基本事实类分配标签_true和我们对相同样本标签_pred的聚类算法分配的知识，调整后的兰德指数是一个衡量两个分配相似性的函数，忽略排列和机会归一化。
对比
鉴于地面实况类分配labels_true和我们对相同样本labels_pred的聚类算法分配的知识，互信息是一个衡量两个分配一致性的函数，忽略排列......AMI是最近提出的，并且针对机会。
我应该在我的聚类评估中同时使用它们还是这会是多余的？
我在这个主题上工作。参考：调整机会聚类比较措施
论文的一句话总结是：集群解决方案中有纯集群时AMI高。
让我们看一个例子。我们有一个由 4 个大小相等的集群组成的参考集群V。每个集群的大小为 25。那么我们有两个集群解决方案：
AMI 将选择U1而 ARI 将选择U2。
最终：
如果我们使用 AMI 和 ARI 等外部有效性指标，我们的目标是使参考聚类与我们的聚类解决方案相匹配。这就是为什么顶部的建议：参考集群不平衡时的 AMI，以及参考集群平衡时的 ARI。我们这样做主要是由于这两种措施的偏差。
此外，当我们有一个带有小集群的不平衡参考集群时，我们更感兴趣的是在解决方案中生成纯小集群。我们想从参考中精确识别小集群。即使是单个不匹配的数据点也会产生相对较高的影响。
除了上述建议之外，当我们有兴趣在解决方案中使用纯集群时，我们可以使用 AMI。
在这里，我勾画了一个实验，其中P生成解决方案U，当P=1时平衡，当P=0时不平衡。你可以在这里玩笔记本。
它们是所有试图比较聚类的十几个中的两个。
但它们并不等价。他们使用不同的理论。
有时，ARI 可能更喜欢一种结果，而 AMI 可能更喜欢另一种结果。但他们通常在偏好上达成一致（而不是在数字上）。