为什么sklearn在二进制分类中会返回相同的值，而加权平均召回率相同？

Question

我的问题是二进制分类，在其中我使用以下代码来获取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的值相等。但是，据我了解，这两个指标涵盖了两个不同方面，因此，我不清楚为什么它们完全相等。

[我发现有类似问题的帖子：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，假设您有50个正面类别和50个负面类别，这在某种程度上可以预测25个正面类别的正确性和25个负面类别的正确性，然后：

25 + 25 / (50+50) = 0.5

加权平均召回率：首次召回：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

我希望这有助于了解它会发生！