Accuracy 和 Recall 值相同答案

【问题标题】：Accuracy and Recall values are sameAccuracy 和 Recall 值相同
【发布时间】：2021-04-03 00:40:07
【问题描述】：

我已经使用 Python 编程语言使用 Pytorch 训练了 CNN 模型，我尝试使用 sklearn.metrics 从测试数据集中获取指标，如下所示。但我在准确性和召回率方面得到了相同的结果。是否有任何显示指标的最佳实践？这个结果是真的吗？

test_accuracy_score = accuracy_score(output_list, prediction_list)
test_precision_score = precision_score(output_list, prediction_list, average=‘weighted’)
test_f1_score = f1_score(output_list, prediction_list, average=‘weighted’)
test_recall_score = recall_score(output_list, prediction_list, average=‘weighted’)

【问题讨论】：

标签： python python-3.x machine-learning deep-learning conv-neural-network

【解决方案1】：

如果您想要详细的结果，只需导入 classification report and print:

print(classification_report(output_list, prediction_list)) 还显示了对每个类的支持（实例数）。

您的加权召回返回根据每个类的元素数量调整的每个类的召回率。所以我们有accuracy，它被定义为：

acc = (TP + TN) / (TP + TN + FP + FN) -- T 表示真 P 表示正等...

为 classA 和 classB 定义召回（假设二元分类）

recall1 = TP / (TP + FN) 用于第 1 类

recall2 = TP / (TP + FN) for class2 转换为 TN / (TN + FP)（如果您认为 class1 是正面的，而 class2 是负面的）

加权召回返回数字

w_recall = ElementsOfClass1overAll *recall1 + ElementsOfClass2overAll *recall2 = ElementsOfClass1overAll * (TP / (TP + FN)) + ElementsOfClass2overAll * (TN / (TN + FP))

所以，我们可以说，如果 ElementsOfClass1overAll 和 ElementsOfClass2overAll 相等，那么 w_recall 正好等于您的准确度（意味着如果一半的元素属于 A 类，一半属于 B 类）。

【讨论】：