聚类标签最优匹配：bestMap函数实现详解
在无监督聚类任务中，一个常见的问题是：如何公平地评估聚类结果的准确率？由于聚类算法（如K-means、谱聚类等）输出的标签只是类别编号，并没有与真实标签（ground truth）对应关系，同一个类别可能被标记为不同的数字，反之亦然。如果直接比较两组标签，准确率会非常低，甚至接近随机水平。
为了解决这个问题，我们需要找到一种最优的标签映射方式，使得聚类结果的标签尽可能与真实标签匹配。这就是bestMap函数的核心作用：通过求解一个赋值问题（assignment problem），将预测标签重新排列，使其与真实标签的匹配度最大。
本文将详细解析这个简洁而高效的实现，帮助你理解其原理与实际应用。
问题本质：二分图最大匹配
假设：
L1是真实标签向量（ground truth）L2是聚类算法输出的预测标签向量
两者长度相同，但类别编号任意。我们希望找到一个从L2中类别到L1中类别的映射，使得重叠样本数总和最大。
这本质上是一个二分图最大权匹配问题：
左边节点：真实类别（Label1）
右边节点：预测类别（Label2）
边权重：两个类别共同拥有
