1
Amy 原创整理｜资料核验：2026-11-04
scikit-learn的completeness_score需要真实类别和聚类标签。官方定义的完整性是：同一真实类别的全部样本，都落在同一个簇里。它单独回答的是有没有拆散同类。
教学示例（Amy自拟）：真实类别为[0,0,0,1,1,1]，预测簇为[7,7,7,7,7,7]。两种真实类别虽然被混在一起，但各自都没有分散到多个簇，因此完整性仍为1。不能据此宣布模型已把两类分开。
这个指标范围是0到1；标签数字换名不改变结果。参数顺序也要留意：交换真实标签与预测标签后，得到的是对应的homogeneity含义，一般不会相等。
Amy建议：汇报时同时列真实类别数、预测簇数以及类别与簇的交叉计数，再结合纯净度等指标解释。若没有可信的真实标签，先说明评价依据缺失，不要把算法自己生成的簇编号再当作真值来评分。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.completeness_score.html