对于上述问题， 我首先认为是数据特殊导致。
编程证明反复更改数据集。减少数据偶然性。
结果事实是，无论如何更改数据集， sklearn都只显示数据 f1-score。
再猜想如果恒有上述等式， 意味着FP=FN。
数学证明 结果FP=FN恒成立。
结论第一种结论正确。
问题到这里并没有结束但是 第一种结论正确就意味着第二种不正确吗，第二种也可以对结果进行完美解释。如果想要理解清楚sklearn为何只显示一个， 最好办法就是看sklearn是如何定义classification_report。
sklearn源码链接
sklearn对于classification_report实现
‘micro’: 设置average='micro’时，Precision = Recall = F1_score = Accuracy。
注意：这是正确的， 微查准率、微查全率、微F1都等于Accuracy。
下例中为什么不等于？因为预测中有几个0，出现错误了（举一个通俗一点的例子， 已知所有物品分为1，2，3类， 你所预测的除1， 2，3类之外具有其他类， 就会出现Precision与Recall，F1_score ，Accuracy不等的现象）。
周志华老师机器学习所阐述的原因也可以对结果进行完美解释，但结果的产生并不完全如周志华老师所说——求平均后结果一致。而是设置average='micro’时，Precision = Recall = F1_score = Accuracy恒成立。
心得对待权威，不可一味相信，要敢于质疑权威。
要善于用数学去推导猜想，对学问应该持严谨态度。
原创不易
转载请标明出处
如果对你有所帮助 别忘啦点赞支持哈
