为什么 sklearn 在二分类中返回准确率和加权平均召回率相同的值？

Question

我的问题是一个二元分类，我使用以下代码来获得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的值是相等的。 但是，据我了解，这两个指标包含两个不同的方面，因此，我不清楚为什么它们完全相等。

我发现了一个有类似问题的帖子： https : //www.researchgate.net/post/Multiclass_classification_micro_weighted_recall_equals_accuracy 。 但是，我没有发现该帖子的答案有用。

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，让我们假设您有 50 个正类和 50 个负类，不知何故，这是您的正类预测 25 个正确和您的负类预测正确的 25 个，然后：

25 + 25 / (50+50) = 0.5

加权平均召回率：第一次召回率： TP/P = 25/50 = 0.5

加权召回：

(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！