关于scikit-learn normalized_mutual_info_score对称性及标签理解的疑问

第一个问题：对标签数组顺序的理解是否正确？ #

嘿，你的这个理解完全正确！labels_pred和labels_true两个数组的索引是严格对应的——数组中第i个位置的元素，就对应第i个样本的预测聚类标签和真实分类标签。

比如你举的例子：

• labels_pred=[0,0,1,1]表示第1、2个样本被聚类到编号为0的组，第3、4个样本被聚类到编号为1的组；
• labels_true=[0,0,0,1]表示第1、2、3个样本的真实类别是0，第4个是1，确实是第3个样本被聚类算法误分到了错误的组里。

第二个问题：为什么标签置换或交换参数不改变得分？ #

你在这里的误区，是把normalized_mutual_info_score()当成了逐个样本的标签匹配指标（比如准确率），但实际上它衡量的是两个分组结构的相似性，核心看的是“哪些样本被归为一组”，而不是“这个组的编号是什么”。

核心原因：NMI基于类别间的互信息，而非单个标签匹配 #

归一化互信息（NMI）的计算，是基于两个标签集合的联合概率分布——它关注的是“真实类别中的组和聚类预测的组之间的重叠程度”，而不是每个样本的标签数字是否完全一致。

拿你给出的文档例子来说：

• 真实标签labels_true = [0, 0, 0, 1, 1, 1]对应的分组是：组0包含样本{0,1,2}，组1包含样本{3,4,5}；
• 原预测标签labels_pred = [0, 0, 1, 1, 2, 2]对应的分组是：组0包含{0,1}，组1包含{2,3}，组2包含{4,5}；
• 置换后的预测标签labels_pred = [1, 1, 0, 0, 2, 2]对应的分组是：组1包含{0,1}，组0包含{2,3}，组2包含{4,5}。

你会发现，这两个预测的分组结构完全一致——只是组的编号换了而已！对于NMI来说，组的编号只是一个无关紧要的标识，它只关心“哪些样本被放在一起”，所以这两种情况和真实标签的互信息是完全相同的，归一化后的得分自然不变。

关于对称性：交换labels_true和labels_pred得分不变 #

这同样是因为互信息本身具有对称性——“真实类别对聚类结果的互信息”和“聚类结果对真实类别的互信息”是相等的，归一化之后的NMI自然也保持对称性。这也体现了NMI的特性：它衡量的是两个分组系统的相似程度，不管哪个是“真实”哪个是“预测”。

总结你的误区 #

你之前错误地用“逐个样本标签是否匹配”来判断NMI的得分，但NMI本质是结构相似度指标：它不关心分组的编号，只关心样本的分组方式是否和真实类别相似。这也是聚类评估指标的常见特性——因为聚类的标签本身就是无意义的编号，重要的是分组的逻辑。

内容的提问来源于stack exchange，提问作者sovon