Python 平衡的准确度得分和准确度得分之间的差异

我在sklearn.metrics中使用了平衡的精度分数和精度分数

根据文档，这两个指标是相同的，但在我的代码中，第一个是96%，第二个是97%，而训练的准确率是98%

你能给我解释一下这三种精度之间的区别以及如何计算它们吗

注：该问题是一个具有三类的多分类问题

我附上代码样本

准确率为98%

model.compile(loss='categorical_crossentropy',
              optimizer=Adam(lr=0.00001),
              metrics=['accuracy'])

from sklearn.metrics import balanced_accuracy_score
balanced_accuracy_score(all_labels, all_predications)

from sklearn.metrics import accuracy_score
accuracy_score(all_labels, all_predications)

准确率为96%

model.compile(loss='categorical_crossentropy',
              optimizer=Adam(lr=0.00001),
              metrics=['accuracy'])

from sklearn.metrics import balanced_accuracy_score
balanced_accuracy_score(all_labels, all_predications)

from sklearn.metrics import accuracy_score
accuracy_score(all_labels, all_predications)

准确率为97%

model.compile(loss='categorical_crossentropy',
              optimizer=Adam(lr=0.00001),
              metrics=['accuracy'])

from sklearn.metrics import balanced_accuracy_score
balanced_accuracy_score(all_labels, all_predications)

from sklearn.metrics import accuracy_score
accuracy_score(all_labels, all_predications)

---

就我所理解的问题（不知道所有的标签，所有的预测）是如何运行的，

balanced\u accurity\u score

和

accurity\u score

之间的样本外预测差异是由前一个函数的平衡引起的

只需返回您正确预测的标签百分比（即有1000个标签，您准确预测了980个标签，即您得到98%的分数）

然而，它的工作原理不同，因为它返回每个类的平均准确度，这是一个不同的度量。假设您的1000个标签来自两个类，在类1中有750个观察值，在类2中有250个观察值。如果您在每个类中都未预测到10个，则在类1中的准确度为740/750=98.7%，在类2中的准确度为240/250=96%。

将返回（98.7%+96%）/2=97.35%。因此，根据文档，我相信该程序将按预期工作。

精度=tp+tn/（tp+tn+fp+fn）对于不平衡的类不起作用

因此，我们可以使用平衡精度=TPR+TNR/2

TPR=真阳性率=tp/（tp+fn）：也称为“敏感性”

TNR=真阴性率=tn/（tn+fp）：也被称为“特异性”

平衡准确度给出的结果与ROC AUC分数几乎相同

链接：

一,

二,

---

3

你忘了分享你的代码，这会让你更容易重现你的问题我添加了代码样本奇怪的是，

balanced\u accurity\u score

的文档说这是平均召回率，我认为这应该是一个错误。我想这取决于你对召回率的定义。在Sklearn的在线指南中，他们引用了Mosley（2013）（）并给出了作者对回忆的定义，

平衡的准确度评分计算似乎是准确的。然后，你可以使用其他加权规则，而不仅仅是将每个类别的回忆总和除以所有类别的数量。