兰德系数（Rand Index）

NOTE：

1、一个小案例说明兰德系数是如何怎么计算的。很详细！

2、关于兰德系数的讨论：https://stats.stackexchange.com/questions/89030/rand-index-calculation

注意：

+--------------------------------+--------------------------------------+
| TP:                            | FN:                                  |
| Same class + same cluster      | Same class + different clusters      |
+--------------------------------+--------------------------------------+
| FP:                            | TN:                                  |
| different class + same cluster | different class + different clusters |
+--------------------------------+--------------------------------------+

例如：

给定一个共生矩阵，

  | 1 | 2 | 3
--+---+---+---
x | 5 | 1 | 2
--+---+---+---
o | 1 | 4 | 0
--+---+---+---
◊ | 0 | 1 | 3

其中，x，o，◊表示class，1、2、3表示cluster。（ps：具体详情，请打开上述的链接即可弄明白。）

行方向表示same class，可求得TP+FN的值；列方向表示same cluster，可求得TP+FP的值。

总个数组合“选2个”，可求得总值TP+FN+FP+TN。矩阵的的每个元素组合“选2个”，即可求得TP的值。

剩下的，相减即可。

兰德系数(Rand Index) = （TP+TN）/（TP+FP+FN+TN）；

准确度（Precision） = （TP）/（TP+FP）；

召回率（Recall）=（TP）/（TP+FN）；

Python版：

from keras.datasets import fashion_mnist
import numpy as npdef rand_index(y_true, y_pred):n = len(y_true)a, b = 0, 0for i in range(n):for j in range(i+1, n):if (y_true[i] == y_true[j]) & (y_pred[i] == y_pred[j]):a +=1elif (y_true[i] != y_true[j]) & (y_pred[i] != y_pred[j]):b +=1else:passRI = (a + b) / (n*(n-1)/2)return RI_, (X, y_true) = fashion_mnist.load_data()
y_random = np.random.randint(0, 10, 10000)print(rand_index(y_true, y_random))
## output : 0.8200785478547855

Matlab版：

function RI = RandIndex(X,Y)
%RANDINDEX X&Y are two vectors representing the label of the dataset.
% X input; Y output.X = X(:);
Y = Y(:);TP = 0;
TN = 0;
N = length(X);
C_N2 = nchoosek(N,2);
PIS = [1:N];                                            % PIS: Positive Integer Sequence
ordinal_sequence = combntns(PIS,2);
for k = 1:C_N2index = ordinal_sequence(k,:);if (X(index(1))==X(index(2)) & Y(index(1))==Y(index(2)));TP = TP+1;endif (X(index(1))~=X(index(2)) & Y(index(1))~=Y(index(2)));TN = TN+1;end
end
RI = (TP+TN)/C_N2;

自写Matlab版（望诸位指正）：

close all;clear;clc;%%
%二值图像
SEG = im2bw(imread('0_8_8976_GCMF.png'));%分割图
GT = im2bw(imread('0_8_8976_mask.png'));%真值图subplot(2,2,1);imshow(GT);
title('GT image','Color', 'g');
hold on;
subplot(2,2,2);imshow(SEG);
title('SEG image','Color', 'r');
hold on;
subplot(2,2,3);imshow(GT&SEG);
title('GT \cap SEG ','Color', 'b');
hold on;
subplot(2,2,4);imshow(GT|SEG);
title('GT \cup SEG ','Color', 'm');%%
%统计各个元素的数量：
%前景-前景（f_f）\ 前景-背景（f_b）
%背景-前景（b_f）\ 前景-前景（b_b）
f_f = length(find(GT==1&SEG==1));
f_b = length(find(GT==1&SEG==0));
b_f = length(find(GT==0&SEG==1));
b_b = length(find(GT==0&SEG==0));%%
%分别统计真值图、分割图的前景像素点和背景像素点的个数
gt_f = f_f + f_b;
gt_b = b_f + b_b;seg_f = f_f + b_f;
seg_b = f_b + b_b;%%
%计算tp、tn、fp、fn
num_pixels = gt_f + gt_b;
total = nchoosek(num_pixels,2);tp_plus_fp = nchoosek(seg_f,2)+nchoosek(seg_b,2);
tp_plus_fn = nchoosek(gt_f,2)+nchoosek(gt_b,2);tp = nchoosek(f_f,2)+nchoosek(b_f,2)+nchoosek(b_b,2)+nchoosek(f_b,2);
fp = tp_plus_fp - tp;
fn = tp_plus_fn - tp;
tn = total - tp - fp - fn;%%
%计算准确率、召回率、兰德系数
precision = tp/(tp_plus_fp);
recall = tp/(tp_plus_fn);
rand_index = (tp+tn)/total;disp(['precision = ',num2str(precision)]);
disp(['recall = ',num2str(recall)]);
disp(['rand_index = ',num2str(rand_index)]);

兰德系数（Rand Index）相关推荐

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 ...
聚类算法评价指标——adjusted Rand index, ARI指数(调整兰德指数)
目录 Rand指数(Rand Index, RI)兰德系数调整兰德指数(adjustedRand index,ARI)是一种常见的聚类外部评价指标,其通过计算在真实标签和聚类结果中被分配在相同或不同 ...
兰德系数、调整兰德系数
兰德系数(Rand index) 调整兰德系数(Adjusted Rand index) 调整兰德系数(Adjusted Rand index)用于聚类模型的性能评估,但是其需要true_label, ...
聚类评价兰德系数讲明白的
聚类评价兰德系数讲明白的 https://blog.csdn.net/Miracle0_0/article/details/96481995 聚类评价兰德系数 https://blog.csdn.ne ...
机器学习实验 - K均值聚类
目录一.报告摘要 1.1 实验要求 1.2 实验思路 1.3 实验结论二.实验内容 2.1 方法介绍 2.2 实验细节 2.2.1 实验环境 2.2.2 实验过程 2.2.3 实验与理论内容的不同 ...
机器学习实验 - MeanShift聚类
目录一.报告摘要 1.1 实验要求 1.2 实验思路 1.3 实验结论二.实验内容 2.1 方法介绍 2.2 实验细节 2.2.1 实验环境 2.2.2 实验过程 2.2.3 实验与理论内容的不同 ...
cv面试百问学习day1
参考转载自https://zhuanlan.zhihu.com/p/458674733 1.基本评价指标 1.1 为什么要用AUC去衡量机器学习模型的好坏答:一个分类模型的分类结果的好坏取决于以下两 ...
机器学习分类与性能度量
机器学习分类与性能度量数据集:训练集(Training Set).验证集(Validation Set)和测试集(Test Set) 1. 当模型无需人为设定超参数,所用参数都通过学习得到,则不需要 ...
机器学习 | 聚类评估指标
文章目录 1. 聚类评估指标 1.1 外部评估指标 RI 兰德指数 ARI 调整兰德指数 Jaccard JC指数 FMI FMI指数 MI 互信息 NMI 归一化互信息 AMI 调整互信息 1.2 ...

兰德系数（Rand Index）

兰德系数（Rand Index）相关推荐

最新文章

热门文章