如何识别KMeans聚类图标签并验证文本聚类结果与真实分类的匹配度

问题2：聚类匹配准确率计算 #

注意K-means输出的簇编号和你真实的类别编号没有天然对应关系（比如聚类簇0可能对应真实类别2），不能直接逐样本对比标签是否相等，需要先通过**匈牙利算法（线性分配）**找到簇编号到真实类别的最优映射，再计算匹配占比。
实现代码如下：

import numpy as np
from scipy.optimize import linear_sum_assignment
from sklearn.metrics import adjusted_rand_score, normalized_mutual_info_score

def calc_cluster_accuracy(true_labels, cluster_labels):
    true_labels = np.array(true_labels)
    cluster_labels = np.array(cluster_labels)
    # 构建混淆矩阵
    n_class = max(true_labels.max(), cluster_labels.max()) + 1
    conf_mat = np.zeros((n_class, n_class), dtype=np.int64)
    for i in range(len(true_labels)):
        conf_mat[cluster_labels[i], true_labels[i]] += 1
    # 找最优映射关系
    row, col = linear_sum_assignment(conf_mat.max() - conf_mat)
    # 计算匹配样本占比
    return conf_mat[row, col].sum() / len(true_labels)

# 调用计算
true_labels = df['Classes'].tolist()
cluster_labels = kmeans_model.labels_.tolist()

# 自定义的匹配准确率
match_acc = calc_cluster_accuracy(true_labels, cluster_labels)
print(f"同真实类别样本被分到同一簇的占比：{match_acc:.4f}")

# 也可以直接用行业通用的聚类评价指标
ari = adjusted_rand_score(true_labels, cluster_labels)
nmi = normalized_mutual_info_score(true_labels, cluster_labels)
print(f"调整兰德系数ARI：{ari:.4f}")
print(f"归一化互信息NMI：{nmi:.4f}")

补充说明：

• 上述match_acc就是你需要的样本占比，取值范围0~1，越接近1说明聚类结果和真实标签匹配度越高。
• ARI、NMI是聚类任务通用的评价指标，取值同样在0~1之间，1代表聚类结果和真实标签完全一致，0代表和随机划分效果无差别，更适合不同聚类方案的效果对比。

内容的提问来源于stack exchange，提问作者U23r