使用高斯 NB 的多类分类，给出相同的准确度、精确度和 f1 分数输出

Question

我是 Python 和分类算法的新手。我正在使用 GaussianNB 对 NSL KDD 数据集进行多类分类，最后，我需要获取精度、召回率、f1 分数的值。

from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
from sklearn.metrics import confusion_matrix, zero_one_loss
from sklearn.metrics import classification_report

from sklearn.naive_bayes import GaussianNB

gnb = GaussianNB()
y_pred = gnb.fit(train_x, train_Y).predict(test_x)

results_nm = confusion_matrix(test_Y,y_pred)
#print(results_nm)
print(classification_report(test_Y,y_pred))
print(accuracy_score(test_Y,y_pred))
print("Precision Score : ",precision_score(test_Y,y_pred, 
                                           pos_label='positive',
                                           average='micro'))
print("Recall Score : ",recall_score(test_Y,y_pred, 
                                           pos_label='positive',
                                           average='micro'))
print(f1_score(test_Y,y_pred,average='micro'))

我按照类似问题中的说明进行操作 .

输出如下，但我得到的所有三个输出都相同。这可能是什么原因？

Answer 1

这可能会发生，正如您在混淆矩阵中看到的那样，所有 3 个指标的微观平均值实际上是相同的。

在微平均方法中，您将系统针对不同集合的个体真阳性、假阳性和假阴性相加并应用它们来获得统计数据。例如，对于一组数据，系统的

True positive (TP1)  = 12
False positive (FP1) = 5
False negative (FN1) = 10

那么精确率 (P1) 和召回率 (R1) 将为 (12/(12+5)) 和 (12/(12+10))

如果 FP1 == FN1，则两者相同。

并且对于另一组数据，系统的

True positive (TP2)  = 50
False positive (FP2) = 7
False negative (FN2) = 7

那么精确率 (P2) 和召回率 (R2) 将相同。

现在，使用微平均法的系统的平均查准率和查全率是

微平均 F-Score 就是这两个数字的调和平均值。

因此，对于 FP 和 FN 的特定值，所有这些指标可能都相同。从等式中，我们可以说，如果 FP1 + FP2 == FN1 + FN2，那么微平均精度和召回率将相同。

您可以通过多种方式将值放入等式中，以便所有 3 个指标都给出相同的值，因此您可以尝试宏观平均或加权平均。

使用高斯 NB 的多类分类，给出相同的准确度、精确度和 f1 分数输出

Multiclass classification using Gaussian NB, gives same output for accuracy, precision and f1 score

python

machine-learning

scikit-learn

multiclass-classification