如何针对不同格式标签使用归一化互信息（NMI）评估聚类效果？

嘿，这个问题我太熟了！其实你完全不用纠结标签的类型——不管是字符型的原始标签（比如你的"a"/"b"/"c"），还是数值型的聚类输出标签（比如你的1/2/3），NMI的计算根本不挑这个，只要它们都是代表样本分组的分类变量，直接用工具算就行。

核心原理 #

NMI的本质是衡量两个分组体系之间的信息重叠程度，它只关心每个样本属于哪个组，不关心组的命名（是叫"a"还是1，对结果没影响）。所有靠谱的NMI计算工具都会自动把不同类型的标签转换成统一的分类编码，不用你手动折腾。

实操示例（用R实现） #

我用你给出的标签数据来演示，推荐用aricode包——它的NMI函数简单直接，自动处理不同类型的标签：

1. 先安装并加载包（如果还没装的话）：

install.packages("aricode")
library(aricode)

2. 定义你的标签向量：

# 原始字符型真实标签
true_labels <- c(rep("a",7), rep("b",8), rep("c",5))
# 层次聚类得到的数值型标签
cluster_labels <- c(1,1,1,1,2,3,2,2,2,2,2,2,1,3,3,1,2,3,3,3)

3. 直接计算NMI：

nmi_score <- NMI(true_labels, cluster_labels)
print(nmi_score)

运行后你会得到一个0到1之间的数值，越接近1说明你的聚类结果和原始标签的一致性越高。

额外说明 #

• 如果你想用其他包，比如entropy或者mclust，原理也是一样的：先把标签转成因子（as.factor()），再计算互信息并归一化。不过aricode的NMI函数已经帮你做了这一步，最省心。
• 不用担心标签的顺序问题，比如你的聚类标签里1对应的可能是原始标签的"b"，NMI会自动匹配最优的组对应关系，不会因为组名不同影响结果。

内容的提问来源于stack exchange，提问作者TheAvenger