2. ARI的定义与数学原理

调整兰德指数，简称 ARI，是聚类评估里出场率最高的指标之一。我个人觉得，想用好 ARI，得先搞明白它的前身——兰德指数。这一节我们把公式拆开揉碎，看看它到底在算什么，以及那个“调整”到底调了什么。

2.1 从兰德指数说起

兰德指数（Rand Index, RI）的逻辑很直白：把所有样本对拎出来，数一数在真实划分和预测划分下，哪些样本对“意见一致”。

对于 N 个样本，一共有 C(N, 2) 个样本对。每个样本对会出现四种情况：

• a：两种划分下都属于同一类
• b：真实划分下属于同一类，预测划分下不属于
• c：真实划分下不属于同一类，预测划分下属于
• d：两种划分下都不属于同一类

兰德指数的公式就出来了：

RI = (a + d) / (a + b + c + d) = (a + d) / C(N, 2)

说白了，RI 就是“一致的样本对”占总样本对的比例。值越高，说明聚类结果和真实标签越吻合。

但 RI 有个明显的 bug——它对随机聚类基本没有惩罚。你想想看，哪怕聚类结果是瞎蒙的，RI 也不会归零，而是会趋近一个正数。这就导致我们很难判断“0.8 的 RI 到底算好还是不好”。

我记得第一次用 RI 评估聚类时，算出来 0.75，还挺开心。后来试了试随机标签，发现也能跑到 0.6 以上……嗯，从那以后我就老老实实用 ARI 了。

2.2 为什么要加“调整”

ARI 的核心思路就一句话：减去随机期望，再除以最大可能调整幅度。

公式长这样：

ARI = (RI - E[RI]) / (max(RI) - E[RI])

因为 max(RI) = 1，所以可以简化为：

ARI = (RI - E[RI]) / (1 - E[RI])

这么一调，随机划分的 ARI 就归零了。值为正说明聚类效果优于随机，为负说明比随机还差。我个人习惯把 ARI 理解成“扣除了运气成分之后的一致性分数”——和机器学习里 R² 的调整思路其实异曲同工。

2.3 ARI 的公式推导

要推导 ARI，得先引入列联表。假设真实划分有 R 个类别，预测划分有 C 个类别，构建一个 R × C 的列联表：

n_ij 表示真实类别 i 中被预测为类别 j 的样本数。a_i 是第 i 行的和，b_j 是第 j 列的和。接下来用组合数表示 a、b、c、d：

• a = Σ_ij C(n_ij, 2) —— 两种划分下都属同类的样本对数
• b = Σ_i C(a_i, 2) – a —— 真实划分下同类但预测划分下不同类的样本对数
• c = Σ_j C(b_j, 2) – a —— 真实划分下不同类但预测划分下同类的样本对数
• d = C(N, 2) – a – b – c —— 两种划分下都不同类的样本对数

通过代数变换，兰德指数的组合数形式为：

RI = [Σ_ij C(n_ij, 2) + (C(N,2) – Σ_i C(a_i,2) – Σ_j C(b_j,2) + Σ_ij C(n_ij,2))] / C(N,2)
   = [2·Σ_ij C(n_ij,2) – Σ_i C(a_i,2) – Σ_j C(b_j,2) + C(N,2)] / C(N,2)

下一步是算期望。在随机划分假设下，列联表服从超几何分布，因此：

E[Σ_ij C(n_ij,2)] = [Σ_i C(a_i,2) · Σ_j C(b_j,2)] / C(N,2)

把上面几块拼起来，就得到 ARI 的完整公式：

ARI = (Σ_ij C(n_ij,2) – [Σ_i C(a_i,2)·Σ_j C(b_j,2)] / C(N,2)) /
      (0.5·(Σ_i C(a_i,2) + Σ_j C(b_j,2)) – [Σ_i C(a_i,2)·Σ_j C(b_j,2)] / C(N,2))

公式看着确实有点吓人。但我建议你抓核心：分子是“实际一致性减去随机期望”，分母是“最大可能一致性减去随机期望”。

2.4 公式含义解读

把 ARI 的公式拆成三块来看：

• Σ_ij C(n_ij, 2)：真实值和预测值都认为属于同一类的样本对数量。这是“一致”的部分。
• Σ_i C(a_i, 2) · Σ_j C(b_j, 2) / C(N, 2)：随机划分下“一致”样本对的期望数量。这是“运气”的部分。
• 0.5 · (Σ_i C(a_i, 2) + Σ_j C(b_j, 2))：理想情况下“一致”样本对的最大可能数量。

ARI 的取值有几个关键点位：

• ARI = 1：完美匹配，两个划分完全相同。
• ARI = 0：相当于随机划分，没有信息量。
• ARI < 0：比随机还差，通常是个警示信号。
• ARI 的最大值不超过 1，最小值可能小于 –1（极端情况下）。

我曾经在一个项目里遇到过 ARI 为负的情况。排查后发现聚类数设得太多，把本就稀疏的数据切得更碎了。所以看到负值时，别急着怀疑算法，先检查参数设置。

2.5 一个手动计算案例

看个简单的例子。6 个样本，真实标签和聚类结果如下：

样本:   1  2  3  4  5  6
真实:   A  A  A  B  B  B
聚类:   X  X  Y  Y  Y  Y

列联表：

       X   Y
A      2   1
B      0   3

手算各项：

• C(6, 2) = 15
• ΣC(n_ij, 2) = C(2,2) + C(1,2) + C(0,2) + C(3,2) = 1 + 0 + 0 + 3 = 4
• ΣC(a_i, 2) = C(3,2) + C(3,2) = 3 + 3 = 6
• ΣC(b_j, 2) = C(2,2) + C(4,2) = 1 + 6 = 7

RI = 4 / 15 ≈ 0.267

E[RI] = (6 × 7) / 15² = 42 / 225 ≈ 0.187

ARI = (4 – 42/15) / (0.5 × (6 + 7) – 42/15)
    = (4 – 2.8) / (6.5 – 2.8)
    = 1.2 / 3.7
    ≈ 0.324

这个例子中 ARI 只有 0.324，说明聚类效果很一般。你想想看，6 个样本里只正确分出了部分，确实不怎么样。

2.6 使用 ARI 的几点建议

• 样本量不要太少：N 很小时，ARI 的方差会很大，结果不可靠。我一般建议 N > 50 再使用 ARI。
• 类别数不要太多：当类别数接近样本数时，ARI 会趋近于 0，区分度明显下降。
• 不平衡类别要小心：如果某个类别只有 1–2 个样本，组合数会变成 0，影响计算结果。
• 配合其他指标使用：ARI 只衡量“一致性”，不衡量“质量”。我习惯同时看 NMI 和轮廓系数。