为何recall_score与混淆矩阵手动计算的召回率结果不一致？

核心问题 #

你遇到的不一致是因为**recall_score默认以pos_label=1作为正类计算召回率，但你手动计算的是另一类别（0）的召回率（即特异性），或者你实际想计算的类别与默认设置不符**。

从你的混淆矩阵和结果来看：

• recall_score返回的数值正好是你计算的特异性（负类的召回率），说明它在计算类别0的召回率，而你手动计算的是类别1的召回率。

解决方案 #

明确指定pos_label参数，告诉recall_score你要计算哪个类别的召回率：

1. 如果你想计算类别1的召回率（和你手动计算的manual_recall一致）：

recall = recall_score(y, y_pred, pos_label=1)

2. 如果你想计算类别0的召回率（即当前recall_score返回的结果）：

recall = recall_score(y, y_pred, pos_label=0)

验证示例 #

用你提供的第一个混淆矩阵测试：

[[34  6]
 [20 20]]

• 调用recall_score(y, y_pred, pos_label=1)，结果为20/(20+20)=0.5，与手动计算结果一致；
• 调用recall_score(y, y_pred, pos_label=0)，结果为34/(34+6)=0.85，与你得到的Scikit-learn结果一致。

第二个混淆矩阵：

[[29 11]
 [ 9 31]]

• recall_score(y, y_pred, pos_label=1) → 31/(31+9)=0.775（手动计算结果）；
• recall_score(y, y_pred, pos_label=0) → 29/(29+11)=0.725（Scikit-learn返回结果）。

额外说明 #

• Scikit-learn的confusion_matrix行对应真实标签，列对应预测标签，你对tn, fp, fn, tp的拆解是正确的；
• 二分类问题中，recall_score默认average='binary'，仅计算pos_label指定类别的召回率，默认pos_label=1；
• 如果你的正类定义不是1，必须显式指定pos_label参数，避免类别混淆。

内容的提问来源于stack exchange，提问作者moonwindsailing