为什么 sklearn returns 准确率和加权平均在二进制分类中召回相同的值？

Question

我的问题是二进制分类，我使用以下代码获取 accuracy 和 weighted average recall。

from sklearn.ensemble import RandomForestClassifier
clf=RandomForestClassifier(random_state = 0, class_weight="balanced")

from sklearn.model_selection import cross_validate
cross_validate(clf, X, y, cv=10, scoring = ('accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted'))

我注意到 accuracy 和 weighted average recall 的值相等。但是，据我了解，这两个指标涵盖了两个不同的方面，因此，我不清楚为什么它们完全相等。

我发现一个 post 有类似的问题：https://www.researchgate.net/post/Multiclass_classification_micro_weighted_recall_equals_accuracy。但是，我没有发现 post 有用的答案。

如果需要，我很乐意提供更多详细信息。

Answer 1

准确度是：

TP + TN / (P+ N)

因此，假设您有 50 个正面类和 50 个负面，并且不知何故这是对您的正面类的 25 个正确预测和对您的负面类的 25 个正确预测，然后：

25 + 25 / (50+50) = 0.5

加权平均召回率：第一次回忆：TP/P = 25/50 = 0.5

加权召回率：

(recall_posivite*number_positve)+(recall_negative*number_negative)/(number_positive + number_negativ) = 0.5*50+0.5*50/(50+50) = 50/100 = 0.5

我希望这有助于理解它可能发生！

为什么 sklearn returns 准确率和加权平均在二进制分类中召回相同的值？

Why sklearn returns the accuracy and weighted-average recall the same value in binary classification?

python

metrics

classification

machine-learning

scikit-learn