accuracy_score 和 precision_score 可以相等吗？

Question

我正在尝试使用 sklearn 库在 python 3 中构建逻辑回归模型。

让我们继续使用以下简短版本，

dv - 因变量

idv - 自变量

现在我有 idv1、idv2、idv3、idv4、idv5、idv6、idv7、idv8 和 idv9。

其中 idv6 到 idv9 是分类变量（idv6 和 idv7 有 3 个类别..其中 idv8 和 idv9 是布尔变量..是或不是变量 [0 或 1]）

而 dv 又是一个布尔变量（是或否类型的变量）。

现在，我已经为最终模型数据的所有 idv6 到 idv9 创建了一个虚拟对象...即 idv6_c1、idv6_c2、idv_c3 并按照类似方式处理其余部分。 .like idv8_c1, idv8_c2 for idv8 & idv9.

现在，在拟合模型并找到预测值的指标后...

我说 accuracy_score of 76.7415479670124 % 和 precision_score 共 76.7415479670124 %

我使用 sklearn.metrics.accuracy_score 和 sklearn.metrics.precision_score 库进行了计算。

我想知道..这是正确的还是我遗漏了什么...？

这会发生吗？？...准确度和精确度几乎等于小数点后 13 位？？？...我确定...我做错了什么...任何人都可以帮助我吗？？

Answer 1

精度=真阳性/（真阳性+假阳性）

准确度 =（真阳性 + 真阴性）/（真阳性 + 假阳性 + 真阴性 + 假阴性）

因此，如果没有负面预测，这两个值将相等。

Answer 2

精度定义为相关检索结果的比例，由以下公式给出：(tp/tp+fp)，而准确度是正确预测与输入样本总数的比率。

虽然不太可能，但当真阴性和假阴性的数量均为零时，精度等于准确度可能会发生。也就是说，您的系统不会将任何样本分类为阴性。

然而，您的问题可能与提到的微平均有关 here。

Answer 3

这里a link求解同分结果和更详细的原理

你只需要改变scikit-learn的参数。

average = macro 或 average = weighted

代码和结果是从上面的 link 复制的。 (https://simonhessner.de/why-are-precision-recall-and-f1-score-equal-when-using-micro-averaging-in-a-multi-class-problem/)

参考文献：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html

print("Precision (micro): %f" % precision_score(labels, predicitons, average='micro'))
print("Recall (micro):    %f" % recall_score(labels, predicitons, average='micro'))
print("F1 score (micro):  %f" % f1_score(labels, predicitons, average='micro'), end='\n\n')

print("Precision (macro): %f" % precision_score(labels, predicitons, average='macro'))
print("Recall (macro):    %f" % recall_score(labels, predicitons, average='macro'))
print("F1 score (macro):  %f" % f1_score(labels, predicitons, average='macro'), end='\n\n')

print("Precision (weighted): %f" % precision_score(labels, predicitons, average='weighted'))
print("Recall (weighted):    %f" % recall_score(labels, predicitons, average='weighted'))
print("F1 score (weighted):  %f" % f1_score(labels, predicitons, average='weighted'))

会得到这个结果：

    Precision (micro): 0.444444
    Recall (micro): 0.444444
    F1 score (micro): 0.444444

    Precision (macro): 0.366667
    Recall (macro): 0.361111
    F1 score (macro): 0.355556

    Precision (weighted): 0.433333
    Recall (weighted): 0.444444
    F1 score (weighted): 0.429630

accuracy_score 和 precision_score 可以相等吗？

Can accuracy_score and precision_score be equal?

python

scikit-learn

logistic-regression

sklearn-pandas