Sklearn评估准确率、精确率、召回率，f1显示相同结果

Question

我想像这段代码一样评估准确度、精确度、召回率、f1，但它显示相同的结果。

df = pd.read_csv(r'test.csv')

X = df.iloc[:,:10]
Y = df.iloc[:,10]

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2)

clf = DecisionTreeClassifier()

clf = clf.fit(X_train,y_train)

predictions = clf.predict(X_test)

accuracy = accuracy_score(y_test, predictions)
precision = precision_score(y_test, predictions,average='micro')
recall = recall_score(y_test, predictions,average='micro')
f1 = f1_score(y_test, predictions,average='micro')

print("Accuracy: ", accuracy)
print("precision: ", precision)
print("recall: ", recall)
print("f1: ", f1)

它显示这样的输出。

Accuracy:  0.8058823529411765
precision:  0.8058823529411765
recall:  0.8058823529411765
f1:  0.8058823529411765

输出是相同的值。如何修复它？

Answer 1

根据 sklearn\'s文档，使用时的行为是预期的micro，当使用平均值和处理多类设置时，

\n

\n

请注意，如果包含所有标签，\n多类设置中的 \xe2\x80\x9cmicro\xe2\x80\x9d 平均将产生与准确率\n完全相同的精度、召回率和 F。

\n

\n

这是一篇不错的博客文章，描述了为什么这些分数可以相等（也有一个直观的例子）

\n

长话短说

\n

\n
1. F1等于recall并且precision如果recall==precision
\n
2. 在微平均的情况下，假阳性的数量始终等于假阴性的数量。因此，recall ==precision
\n
3. 最后，请注意micro F1始终等于accuracy。看这里
\n

\n