Sklearn：使用precision_score和recall_score计算时是否交换了召回和精度？答案

【问题标题】：Sklearn: are recall and precision swapped when are computed with precision_score and recall_score?Sklearn：使用precision_score和recall_score计算时是否交换了召回和精度？
【发布时间】：2020-06-09 12:42:25
【问题描述】：

我正在将 scikit-learn（版本 0.22.1）用于机器学习应用程序。

我正在使用随机森林算法，但在使用精度和召回率评估算法性能时遇到了一些问题。我有我的测试集 (Y_test) 的标签和使用随机森林算法 (Y_pred) 预测的标签。两个数据都包含两个标签（1 和 0）

详细来说，我有这个矩阵：

print(confusion_matrix(y_true=Y_test, y_pred=Y_pred, labels=[1,0]))

[[78 20]
 [36 41]]

因此：

True Positive (tp) =  78
False Negative (fn) =  36
False Positive (fp) =  20

所以：

PRECISION =  tp/(tp+fn) = 78/(78+36) = 0.7959183673469388
RECALL =  = tp/(tp+fp) = 78/(78+20) 0.6842105263157895

但是，使用此代码：

precision = precision_score(Y_test, Y_pred, pos_label=1)
recall = recall_score(y_true=Y_test, y_pred=Y_pred, pos_label=1)

print("precision: ",precision)
print("recall: ",recall)

我得到以下输出：

recall:  0.7959183673469388
precision:  0.6842105263157895

似乎在使用标准 sklearn 函数计算值时交换了值。我做错什么了吗？请问，你能给我一些建议吗？

谢谢，

丹尼尔

【问题讨论】：

在您的计算中，您混淆了公式。例如，精度为tp/(tp+fp)。

标签： python machine-learning scikit-learn confusion-matrix precision-recall

【解决方案1】：

您当前计算的这些值是错误的。正确的计算是；

精度计算：

precision = tp/(tp+fp)

召回计算：

recall = tp/(tp+fn)

参考：https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall

【讨论】：

【解决方案2】：

公式不正确：

Precision: tp / tp+fp
Recall : tp/tp+fn

【讨论】：