Precision、Recall 和 F1 可以是相同的值吗？

Posted 2023-03-12

【中文标题】Precision、Recall 和 F1 可以是相同的值吗？

【英文标题】：Can the Precision, Recall and F1 be the same value?

【发布时间】：2019-06-01 18:20:53

【问题描述】：

我目前正在研究 ML 分类问题，我正在使用 sklearn 库的以下导入和相应代码计算精度、召回率和 F1，如下所示。

from sklearn.metrics import precision_recall_fscore_support

print(precision_recall_fscore_support(y_test, prob_pos, average='weighted'))

结果

0.8806451612903226, 0.8806451612903226, 0.8806451612903226

对于 ML 分类问题，是否有可能获得所有 3 个相同的值，即精度、召回率和 F1？

我们将不胜感激任何关于这方面的澄清。

【问题讨论】：

精度和召回率可能是如果 FP 和 FN 为 0.5/0.5 F1 不太可能......

@Rob 感谢您回来。那么这是否意味着分类器预测可能存在错误？

您可以检查是否打印了false_positives 和false_negatives 的号码。如果这两个数字相同，那么您就可以了。但正如@Rob 所说，这不太可能。

【参考方案1】：

是的，这是可能的。让我们假设用

进行二分类

Pr = Re = F1 的简单解决方案是TP = 0。所以我们知道精度、召回率和 F1 通常可以具有相同的值。现在，这不适用于您的具体结果。如果我们求解方程组，我们会找到另一个解：FP = FN。因此，如果误报数与误报数相同，则所有三个指标的值都相同。

对于多类分类问题，我们有

如果Pr = Re，那么所有三个指标都是相同的。

【讨论】：

感谢您的回复。这澄清了我的问题。

【参考方案2】：

这似乎是因为选项 - average='weighted'

参考：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html

'加权'： 计算每个标签的指标，并通过支持度（每个标签的真实实例数）找到它们的平均加权。这会改变“宏观”以解决标签不平衡问题；它可能导致 F 分数不在精确率和召回率之间。