balanced_accuracy_score与accuracy_score的区别

Question

我在balanced_accuracy_score和accuracy_score中都使用sklearn.metrics。

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%。

你能向我解释一下这三种精确性之间的区别吗？

注意:这个问题是一个有三类的多分类问题.

我附上了代码样本。

精度为98%

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

精度为96%

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

精度为97%

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

Answer 1

就我所理解的问题而言(不知道运行的是什么all_labels、all_predictions)，balanced_accuracy_score和accuracy_score之间的样本外预测的差异是由前一个函数的平衡造成的。

accuracy_score只返回您正确预测的标签的百分比(即有1000个标签，您准确地预测了980，即得到98%的分数)。

然而，balanced_accuracy_score的工作方式不同，因为它返回每个类的平均精度，这是一个不同的度量。假设你的1000个标签来自两个类别，第1类有750个，第2类有250个。如果你在每班预测10个错误，你的准确率是740/ 750 = 98.7%，在第二类是240/ 250 =96%。然后balanced_accuracy_score将返回(98.7%+96%)/2 = 97.35%。所以我相信这个计划会像预期的那样运作，基于文档。

Answer 2

精度= tp+tn/(tp+tn+fp+fn)对于不平衡类不起作用。

因此，我们可以使用平衡精度= TPR+TNR/2。

TPR=真阳性率= tp/(tp+fn)：又称“敏感性”

TNR =真阴性rate= tn/(tn+fp)：也称为“特异性”

平衡精度几乎与ROC AUC评分结果相同。

链接：

1个recall

2个score

3个score.html