如何计算 BCubed 精度和召回率

Question

根据此发布的页面 BCubed 精度和召回率，因此 F1-Measure 计算是评估聚类性能的最佳技术。见Amigó, Enrique, et al. "A comparison of extrinsic clustering evaluation metrics based on formal constraints." Information retrieval 12.4 (2009): 461-486.

它显示了如下图所示的 BCubed 计算

据我所知，我们计算每个项目的精度和召回率，然后取它们的总和的平均值？

但是我的理解与他们给出的评价不符，如下图所示

根据上图集群同质性示例 - 左侧，我计算 BCubed 的精度如下但不匹配

black : 4/4
gray: 4/7
Other three each one : 1/7

so average precision is : (4/4 + 4/6 + 1/7 + 1/7 + 1/7) / 5

但这与他们在图像中的结果不匹配，即0.59

一个项目的BCubed精度是其集群中项目的比例 具有项目的类别（包括其本身）。整体 BCubed 精度是分布中所有项目的平均精度。 由于平均值是针对项目计算的，因此无需 根据集群或类别的大小应用任何权重。 BCubed 召回是类似的，将“cluster”替换为“category”。

Answer 1

有 14 个项目，而不是 5 个。

(4*4/4+1/3+2*2/3+3*1/7+4*4/7)/14 = 0.5986394557823128

但这些只是玩具示例。我更喜欢调整后的兰德指数而不是 BCubed，它的知名度和接受度要广得多。