Precision、Recall和F1可以是同一个值吗？
Can the Precision, Recall and F1 be the same value?
我目前正在处理 ML 分类问题，我正在使用 sklearn 库的以下导入和相应代码计算 Precision、Recall 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
是否有可能为 ML 分类问题的精度、召回率和 F1 这 3 个都获得相同的值？
如能对此作出任何说明，我们将不胜感激。
是的，这是可能的。让我们假设二进制分类
Pr = Re = F1 的简单解是 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，这不适用于您的特定结果。如果我们求解方程组，我们会找到另一个解：FP = FN。因此，如果误报数与漏报数相同，则所有三个指标都具有相同的值。
对于多类分类问题，我们有
如果 Pr = Re，所有三个指标同样相同。
这似乎是因为选项 - average='weighted'
'weighted':
Calculate metrics for each label, and find their average weighted by support (the number of true instances for each label). This alters ‘macro’ to account for label imbalance; it can result in an F-score that is not between precision and recall.
我目前正在处理 ML 分类问题，我正在使用 sklearn 库的以下导入和相应代码计算 Precision、Recall 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
是否有可能为 ML 分类问题的精度、召回率和 F1 这 3 个都获得相同的值？
如能对此作出任何说明，我们将不胜感激。
是的，这是可能的。让我们假设二进制分类
Pr = Re = F1 的简单解是 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，这不适用于您的特定结果。如果我们求解方程组，我们会找到另一个解：FP = FN。因此，如果误报数与漏报数相同，则所有三个指标都具有相同的值。
对于多类分类问题，我们有
如果 Pr = Re，所有三个指标同样相同。
这似乎是因为选项 - average='weighted'
'weighted': Calculate metrics for each label, and find their average weighted by support (the number of true instances for each label). This alters ‘macro’ to account for label imbalance; it can result in an F-score that is not between precision and recall.