model 中的精度和召回率相同

Question

我正在做一个多分类项目，我注意到无论我运行什么分类器，model 中的精度和召回率都是相同的。

分类问题具有三个不同的类别。 数据量偏小，13k 个实例分为测试（0.8）和训练（0.2）。

训练数据的形状为 (10608, 28)，标签的形状为 (10608, 3)（二值化标签）。

分类不平衡：

• label 0 代表所有标签的 30%
• label 1 代表所有标签的 4%
• label 2 代表所有标签的 66%。

我正在比较不同的分类器，以便稍后关注最有前途的分类器。 在计算每个 model 的精度和召回率时，我注意到它们在 model 中总是相同的。

由于准确率和召回率的计算方式，当假阴性预测的数量等于假阳性预测的数量FP = FN时，它们可能是相同的。

例子：

SGD 分类器

sgd_clf = OneVsRestClassifier(SGDClassifier(random_state=42))
sgd_clf.fit(data_tr, labels_tr)
y_pred_sgd = cross_val_predict(sgd_clf, data_tr, labels_tr, cv=5) 
cm_sgd = confusion_matrix(labels_tr.argmax(axis=1), y_pred_sgd.argmax(axis=1))  

cm_sgd:
array([[1038,   19, 2084],
       [ 204,   22,  249],
       [ 931,   48, 6013]], dtype=int64)
precision_score(labels_tr.argmax(axis=1), y_pred_sgd.argmax(axis=1), average="micro")  
0.666760935143288
recall_score(labels_tr.argmax(axis=1), y_pred_sgd.argmax(axis=1), average="micro") 
0.666760935143288

FP=FN=3535

逻辑回归

lr_clf = OneVsRestClassifier(LogisticRegression(random_state=42, max_iter=4000))
lr_clf.fit(data_tr, labels_tr)
y_pred_lr = cross_val_predict(lr_clf, data_tr, labels_tr, cv=5)
cm_lr = confusion_matrix(labels_tr.argmax(axis=1), y_pred_lr.argmax(axis=1))

cm_lr: 
array([[ 982,    1, 2158],
       [ 194,    7,  274],
       [ 774,    9, 6209]], dtype=int64)

precision_score(labels_tr.argmax(axis=1), y_pred_lr.argmax(axis=1), average="micro") 
0.6785444947209653
recall_score(labels_tr.argmax(axis=1), y_pred_lr.argmax(axis=1), average="micro") 
0.6785444947209653


FP=FN=3410

随机森林

rf_clf = OneVsRestClassifier(RandomForestClassifier(random_state=42))
rf_clf.fit(data_tr, labels_tr)
y_pred_forest = cross_val_predict(rf_clf, data_tr, labels_tr, cv=5)
cm_forest = confusion_matrix(labels_tr.argmax(axis=1), y_pred_forest.argmax(axis=1)) 

cm_forest: 
array([[1576,   56, 1509],
      [ 237,   45,  193],
      [1282,   61, 5649]], dtype=int64)
precision_score(labels_tr.argmax(axis=1), y_pred_forest.argmax(axis=1), average="micro")
0.6853318250377074
recall_score(labels_tr.argmax(axis=1), y_pred_forest.argmax(axis=1), average="micro")  
0.6853318250377074

FP=FN=3338

所有模型在 model 中具有相同召回率和精度的可能性有多大？ 我错过了什么吗？

Answer 1

发生这种情况是因为您正在计算分数的micro平均值。 在文档中，它被描述为：

通过计算总的真阳性、假阴性和假阳性来全局计算指标。

现在有一个问题：在保证每个测试用例都被分配给一个 class 的分类任务中，计算一个micro平均值相当于计算准确度分数。 这就是为什么您在每个 model 中获得相同的精度和召回结果的原因：您基本上是在计算所有情况下的精度。

您可以通过使用accuracy_score并比较结果来验证这一点。

因此，您应该更好地使用macro或weighted平均来评估模型的精度和召回率。