R语言跨簇数场景下NMI与Jaccard指数正确计算方法问询

首先要明确：Jaccard指数和NMI（归一化互信息）本身完全支持不同簇数的聚类对比，你之前结果有误大概率是用错了计算函数，或者对指标的实现逻辑不清晰。下面我会给你拆解问题，并提供可直接运行的R代码。

为什么之前的计算出错？ #

你提到用了cluster包的cindex函数，但这个函数根本不是用来计算两个聚类划分的相似性的——它是用来评估单个聚类内部的一致性（基于距离矩阵的聚类质量指标），拿它来对比不同簇数的聚类结果，肯定会得到错误输出。

而NMI的问题，可能是你用的NMI包函数参数设置不对，或者对NMI的归一化逻辑理解有偏差，但本质上NMI是基于信息论的指标，天然支持不同簇数的对比。

正确的计算实现 #

1. Jaccard指数的计算 #

Jaccard指数衡量的是：两个聚类划分中，被分到同一簇的样本对的交集，占这些样本对并集的比例。我们可以手动实现这个逻辑，避免依赖错误的函数：

# 自定义Jaccard指数计算函数
compute_jaccard <- function(cl1, cl2) {
  n <- length(cl1)
  # 生成两个矩阵：标记每对样本是否在同一簇
  same_cl1 <- outer(cl1, cl1, function(x, y) x == y)
  same_cl2 <- outer(cl2, cl2, function(x, y) x == y)
  
  # 排除样本自身对比的对角线（无意义）
  diag(same_cl1) <- FALSE
  diag(same_cl2) <- FALSE
  
  # 计算交集和并集的样本对数量
  intersection <- sum(same_cl1 & same_cl2)
  union <- sum(same_cl1 | same_cl2)
  
  # 返回Jaccard指数（范围0-1，越接近1一致性越高）
  return(intersection / union)
}

2. NMI指数的计算 #

NMI通过计算两个聚类划分的互信息，再用熵进行归一化，完全支持不同簇数。你可以直接用NMI包的函数，或者手动实现（更灵活）：

方法一：使用NMI包

library(NMI)
# cl1是基准聚类（3簇），cl2是测试聚类（5/2簇）
nmi_score <- nmi(cl1, cl2)

方法二：手动实现（更清楚逻辑）

compute_nmi <- function(cl1, cl2) {
  # 构建混淆矩阵：行是基准簇，列是测试簇
  conf_mat <- table(cl1, cl2)
  total_samples <- sum(conf_mat)
  
  # 计算边际概率（每个簇的样本占比）
  p_cl1 <- rowSums(conf_mat) / total_samples
  p_cl2 <- colSums(conf_mat) / total_samples
  
  # 计算互信息
  mi <- 0
  for (i in 1:nrow(conf_mat)) {
    for (j in 1:ncol(conf_mat)) {
      if (conf_mat[i,j] > 0) {
        p_ij <- conf_mat[i,j] / total_samples
        mi <- mi + p_ij * log2(p_ij / (p_cl1[i] * p_cl2[j]))
      }
    }
  }
  
  # 计算两个聚类的熵
  h_cl1 <- -sum(p_cl1 * log2(p_cl1))
  h_cl2 <- -sum(p_cl2 * log2(p_cl2))
  
  # 归一化得到NMI（范围0-1）
  nmi <- mi / sqrt(h_cl1 * h_cl2)
  return(nmi)
}

完整示例代码 #

结合你提供的clara聚类代码，完整的对比流程如下：

library(cluster)
# 基准聚类（3簇）
clarax <- clara(a, 3)
clV1 <- clarax$clustering

# 测试聚类1：5簇
clara1 <- clara(e, 5)
clV2 <- clara1$clustering
# 计算指标
jaccard_3v5 <- compute_jaccard(clV1, clV2)
nmi_3v5 <- nmi(clV1, clV2)
cat("3簇 vs 5簇：\nJaccard指数 =", jaccard_3v5, "\nNMI指数 =", nmi_3v5, "\n\n")

# 测试聚类2：2簇
clara2 <- clara(e, 2)
clV3 <- clara2$clustering
# 计算指标
jaccard_3v2 <- compute_jaccard(clV1, clV3)
nmi_3v2 <- nmi(clV1, clV3)
cat("3簇 vs 2簇：\nJaccard指数 =", jaccard_3v2, "\nNMI指数 =", nmi_3v2, "\n")

额外补充：调整后的Rand指数（ARI） #

如果你需要消除随机一致性的影响（比如避免因簇数差异导致的假高相似性），可以用调整后的Rand指数，它也支持不同簇数：

library(mclust)
ari_3v5 <- adjustedRandIndex(clV1, clV2)

内容的提问来源于stack exchange，提问作者Vikas Dhiman