深度聚类中ARI、AMI以及ACC指标解析

ARI（Adjusted Rand Index）

调整兰德指数，用于度量聚类结果与真实类别之间的相似度。它考虑了随机分配的影响，值越大表示聚类结果与真实类别越相似。ARI的取值范围为-1到1，值越大表示聚类结果越好.

计算公式：

ARI = (sum_ij(C(n_ij, 2)) - [sum_i(C(a_i, 2)) * sum_j(C(b_j, 2)) / C(n, 2)]) / (1/2 * [sum_i(C(a_i, 2)) + sum_j(C(b_j, 2))] - [sum_i(C(a_i, 2)) * sum_j(C(b_j, 2)) / C(n, 2)])

其中，C(n, k)表示组合数，即从n个元素中选取k个元素的组合数。

其中，n_{ij}表示聚类结果中第 i 类与真实类别中第 j 类共同包含的样本数量，a_i 表示聚类结果中第 i 类的样本数量，b_j 表示真实类别中第 j 类的样本数量，n 表示总样本数。
实例：

样本序列	真实类别	聚类结果
1	A	A
2	A	C
3	A	C
4	B	C
5	B	B
6	B	C
7	C	B
8	C	B
9	C	C

计算聚类结果中相同类别和不同类别的样本数量

• 如果两个样本属于同一真实类别，同时也属于同一聚类结果，那么它们就是一个共现项，对应的共现矩阵中该项的值加1。
• 如果两个样本属于同一真实类别，但属于不同的聚类结果，那么它们也是一个共现项，对应的共现矩阵中该项的值加1。
• 如果两个样本属于不同的真实类别，但属于同一聚类结果，那么它们也是一个共现项，对应的共现矩阵中该项的值加1。
• 如果两个样本属于不同的真实类别，且属于不同的聚类结果，那么它们不是一个共现项，对应的共现矩阵中该项的值不变。

	A	B	C
A	1	0	2
B	0	1	2
C	0	2	1