consensus_score#
- sklearn.metrics.consensus_score(a, b, *, similarity='jaccard')[Quelle]#
Die Ähnlichkeit von zwei Mengen von Bicluster.
Die Ähnlichkeit zwischen einzelnen Biclustern wird berechnet. Anschließend wird die beste Zuordnung zwischen den Mengen durch Lösen eines linearen Summenzuordnungsproblems mithilfe eines modifizierten Jonker-Volgenant-Algorithmus gefunden. Der endgültige Score ist die Summe der Ähnlichkeiten geteilt durch die Größe der größeren Menge.
Mehr dazu im Benutzerhandbuch.
- Parameter:
- aTupel (Zeilen, Spalten)
Tupel von Zeilen- und Spaltenindikatoren für eine Menge von Biclustern.
- bTupel (Zeilen, Spalten)
Eine weitere Menge von Biclustern wie
a.- similarity‘jaccard’ oder aufrufbar, Standard=’jaccard’
Kann der String "jaccard" sein, um den Jaccard-Koeffizienten zu verwenden, oder eine beliebige Funktion, die vier Argumente entgegennimmt, von denen jedes ein 1D-Indikatorvektor ist: (a_rows, a_columns, b_rows, b_columns).
- Gibt zurück:
- consensus_scorefloat
Konsens-Score, ein nicht-negativer Wert, Summe der Ähnlichkeiten geteilt durch die Größe der größeren Menge.
Siehe auch
scipy.optimize.linear_sum_assignmentLöst das lineare Summenzuordnungsproblem.
Referenzen
Hochreiter, Bodenhofer, et. al., 2010. FABIA: factor analysis for bicluster acquisition.
Beispiele
>>> from sklearn.metrics import consensus_score >>> a = ([[True, False], [False, True]], [[False, True], [True, False]]) >>> b = ([[False, True], [True, False]], [[True, False], [False, True]]) >>> consensus_score(a, b, similarity='jaccard') 1.0
