如何使用Rand指数对比聚类编号与字符串真实类别标签的聚类效果

前置说明 #

Rand指数的核心计算逻辑是比对两两样本是否同属一类的一致性，和标签本身的格式（数字/字符串）无关，不需要给字符串标签赋予特殊语义的数值，只需要保证同类标签的标识唯一即可。

操作步骤 #

1. 数据对齐校验 #

首先保证两个标签列表的顺序完全对应：labels_true的第i个元素和labels_pred的第i个元素必须属于同一条评论，顺序错误会导致结果完全失效。

2. 字符串标签编码（仅为适配工具库要求） #

现有主流机器学习库的Rand指数计算接口大多要求输入数值型标签，只需要对字符串类型的真实标签做无意义的唯一值映射即可，不需要考虑数值大小的语义。
以Python的scikit-learn库为例，示例代码如下：

# 导入所需工具
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import rand_score, adjusted_rand_score

# 原始标签数据
labels_true = ['food', 'view', 'room', 'food', 'staff', 'staff']
labels_pred = [0, 0, 0, 1, 0, 1]

# 对字符串真实标签做编码
label_encoder = LabelEncoder()
encoded_true_labels = label_encoder.fit_transform(labels_true)

编码后每个唯一字符串会被映射为一个不重复的整数，比如food→0、view→1、room→2、staff→3，具体映射规则不影响最终Rand指数的计算结果。

3. 计算Rand指数 #

直接调用接口计算即可，推荐优先使用调整兰德指数（ARI），它修正了随机聚类下普通Rand指数得分偏高的问题，评估结果更客观：

# 普通Rand指数，取值范围[0,1]，越接近1一致性越高
common_rand = rand_score(encoded_true_labels, labels_pred)
# 调整兰德指数，取值范围[-1,1]，随机聚类得分接近0，负数代表效果差于随机聚类
adjusted_rand = adjusted_rand_score(encoded_true_labels, labels_pred)

print(f"普通Rand指数：{common_rand:.4f}")
print(f"调整兰德指数：{adjusted_rand:.4f}")

常见疑问说明 #

• 不需要手动做聚类ID和真实类别的一一匹配，Rand指数的计算逻辑不依赖两类标签的ID对应关系，仅基于两两样本的同组判定一致性。
• 如果自行实现Rand指数计算逻辑，可以跳过标签编码步骤，直接比对字符串标签是否相等即可，核心统计逻辑为：
  • 样本对总数 = n*(n-1)/2（n为样本量）
  • Rand指数 =（真实同组且预测同组的样本对数量 + 真实不同组且预测也不同组的样本对数量）/ 样本对总数

内容的提问来源于stack exchange，提问作者lse23