聚类评价指标（Clustering Evaluation Metrics）

一句话说人话

聚类是「没标准答案」的任务，所以评价它得想个办法——最常见的是：拿一批「其实有标准答案」的数据来当考题，让模型去分，再用几个指标衡量「模型分的」和「标准答案」有多像。

---

生活类比：怎么给「没答案的考试」打分？

聚类（clustering）是把一堆东西自动分成几堆，但没人告诉你正确答案是什么——这正是它和分类的区别：

• 分类 = 有标准答案（老师给你带标签的数据，比如「这是猫、那是狗」）；
• 聚类 = 没标准答案（丢给你 1000 张动物照片，让你自己分堆，分对分错没人直接说）。

问题来了：那怎么评价一个聚类模型好不好？

科研界的聪明办法是「偷偷留一手」：有些数据集其实是有标准答案的，只是我们假装没有。

• 比如这篇论文用的 DLPFC 数据，人脑前额叶皮层的组织切片，解剖学家早就人工标注过「这片是第 1 层、那片是第 2 层、那边是白质……」——这就是「金标准标签」（ground truth）。
• 训练时把标签藏起来，让模型「无监督」地自己分（见 自监督学习与伪标签）；
• 评价时再把藏起来的标签拿出来，比对「模型分的堆」和「解剖学家分的层」有多一致。

所以：聚类评价指标 = 「模型聚类结果」与「金标准标签」之间的一致程度打分器。分数越高，说明模型自动分出来的空间域越接近解剖学家的判断。

---

四个指标分别衡量什么

论文用了 4 个指标，各有侧重。下面逐个用人话 + 类比讲透。

1. ARI（Adjusted Rand Index，调整兰德指数）

人话：看「任意抓两个样本，它们在模型里被分到同一堆、在标准答案里也在同一堆」这件事的一致程度，并且扣掉「瞎蒙也能蒙对」的部分。

类比：把全班同学按「生日月份」自动分组。ARI 问的是——随便抓两个人，他俩「模型分同组」和「真实同月」这对判断有多一致。更重要的是 Adjusted（调整）：就算你瞎分，随机也会蒙对一些，ARI 把「运气分」扣掉了，所以接近 0 表示「和随机差不多」，接近 1 表示「分得极好」。

2. NMI（Normalized Mutual Information，归一化互信息）

人话：看「知道模型的分法后，能在多大程度上猜到标准答案的分法」（反之亦然），即两种分法共享了多少信息。

类比：想象两个老师分别给全班分组。NMI 问的是——我如果只看老师甲的分组名单，能不能大致推出老师乙的分组？推得越准，说明两组分组「信息重叠」越大。NMI 归一化到 0~1，1 表示完全互相可推。

3. FMI（Fowlkes–Mallows Index）

人话：精度（precision）和召回（recall）的几何平均——既看「分到同一堆的样本是不是真该同堆」，也看「真该同堆的是不是都被分到了一起」。

类比：FMI 像「查准」和「查全」的平衡木。光查准（宁可少分、保证分对）或光查全（宁可多分、别漏）都不行，FMI 要求两头都过硬。越接近 1 越好。

4. Purity（纯度）

人话：看「模型分的每一堆里，最多数的那个真实类别占了多大比例」，再按堆的大小加权平均。

类比：每个班（簇）里「同省老乡」的比例。Purity 越高，说明每堆都「很纯」——大部分成员都是同一真实类别。

⚠️ 一个坑：Purity 有「作弊漏洞」。如果你把每个样本单独分成一堆（1000 个样本分 1000 堆），每堆纯度都是 100%，Purity = 1，但这显然不是好聚类。所以 Purity 要配合 ARI、NMI 一起看，不能单独用。

---

四个指标速查表

指标	一句话含义	取值范围	越高越好？	特色
ARI	成对样本分组一致性（已扣除随机运气）	−1 ~ 1	是	最严格、最常用，扣掉运气分
NMI	两种分法共享的信息量	0 ~ 1	是	信息论视角，不怕簇数量不同
FMI	查准与查全的几何平均	0 ~ 1	是	兼顾「分对」和「分全」
Purity	每堆里主类别的占比	0 ~ 1	是	直观，但可被「每样本一堆」作弊

---

落到这篇论文里：用 4 个指标对比 8 个 baseline

FPS-MGCN 论文里，核心变量就是「空间域聚类标签」，衡量它的就是这 4 个指标。

论文的做法：

1. 在 DLPFC 12 个切片上，让 FPS-MGCN 和 8 个已有方法（baseline）分别做聚类，这些方法包括 SpaGCN、CCST、STAGATE、GraphST、Spatial-MGCN、SpaCAE、DMGCN、STMGAMF；
2. 每个方法都产出自己的聚类结果；
3. 拿解剖学家的手工标注当金标准，用 ARI、NMI、FMI、Purity 四个指标给每个方法打分；
4. 对比分数，谁的指标高谁赢。

论文的主要结论就是从这里来的：

• DLPFC 上 ARI 中位数 0.589，优于最强 baseline Spatial-MGCN（0.564）和 STMGAMF（0.557）；
• NMI 0.676、FMI 0.682 也都是全场最优；
• 4 个指标全面领先，才敢说「outperforms other state-of-the-art methods」。

换句话说，这四个指标就是这篇论文「证明自己厉害」的裁判。没有它们，作者没法客观说明「傅里叶映射 + 伪标签自监督」这套设计真的有效。

---

为什么论文需要它（为什么要有评价指标）

1. 科学结论需要客观证据。作者声称「我的方法边界识别更好」，不能靠肉眼看热力图，得用可复现、可比较的数字说话。ARI/NMI/FMI/Purity 就是领域公认的「尺子」。

2. 指标各有盲区，要互相印证。Purity 可作弊、ARI 对簇数量敏感、NMI 信息论视角不同——四个一起看，结论才稳。论文四个指标全赢，说服力才强。

3. 金标准是「借来的答案」。空间域识别本质是无监督任务（见 自监督学习与伪标签），但科研需要「对错」才能比较方法。解剖学家的手工标注就是那个「借来的、藏起来的标准答案」，让无监督任务也能被客观评分。

一句话总结：聚类本身没有答案，但借来「金标准标签」后，ARI、NMI、FMI、Purity 这四把尺子就能从不同角度量出「模型分的堆」有多接近真相——这就是论文用来证明自己最强的裁判席。

---

后续联动

相关概念	它和聚类评价指标的关系	点此跳转
自监督学习与伪标签	聚类是「没标签」的任务，训练靠自监督，评价才借金标准打分	自监督学习与伪标签
空间转录组与空间域	被打分的对象是「空间域识别」任务，金标准来自解剖学家标注	空间转录组与空间域
注意力机制	模型融合嵌入做得好不好，最终由这几个指标检验	注意力机制
多视图学习与多视图聚类	被评价的方法属于「多视图聚类」，指标是这类方法的通用裁判	多视图学习与多视图聚类
图卷积网络GCN	聚类结果来自 GCN 编码器学到的嵌入	图卷积网络GCN
ZINB与负二项分布	ZINB 重建质量间接决定嵌入好坏，进而影响聚类分数	ZINB与负二项分布