为何手动用混淆矩阵计算与sklearn的precision_score结果不一致？

这是我运行的代码：

import pandas as pd
whole_population = pd.read_csv('Whole_population_with_Class_column.csv')
whole_population = whole_population.drop(whole_population.columns[0],axis=1)
from sklearn import metrics
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score, roc_auc_score, matthews_corrcoef

actual = whole_population['Landslide']
predicted = whole_population['Jenks_Class']
confusion_matrix = metrics.confusion_matrix(actual, predicted)

accuracy = accuracy_score(actual, predicted)
precision = precision_score(actual, predicted)
recall = recall_score(actual, predicted)
f1_score = f1_score(actual, predicted)
mcc = matthews_corrcoef(actual, predicted)

print(accuracy)
print(precision)
print(recall)
print(f1_score)
print(mcc)

代码生成混淆矩阵后，输出结果如下：

• 0.6647094256133509 (accuracy)
• 0.9985021160091312 (precision)
• 0.664066520207418 (recall)
• 0.7976474608673689 (f1 score)
• 0.06769568834135027 (mcc)

已知scikit-learn生成的混淆矩阵格式为：

TN | FP
FN | TP

手动按公式precision = TP/(TP+FN) = 4720/(4720+407361) = 0.0114540588计算，得到的精度值与precision_score的结果差异极大，召回率也有类似问题，请问原因是什么？

1. 公式完全搞反
   你手动计算用的TP/(TP+FN)是**召回率（Recall）**的计算公式，而精度（Precision）的正确公式是TP/(TP+FP)。反过来，召回率的计算才是用TP除以TP加FN，这是核心错误。

2. 正类标签的匹配问题
   scikit-learn的precision_score默认将标签中数值更大的类别视为正类（比如标签是0和1时，默认正类是1），你也可以通过pos_label参数显式指定。如果手动计算时搞反了正类（比如把0当成正类），结果也会完全偏离。

3. 混淆矩阵的行列对应
   sklearn的confusion_matrix(y_true, y_pred)是行对应真实标签、列对应预测标签：

• 第一行：真实负类样本，第一列是TN（真实负、预测负），第二列是FP（真实负、预测正）
• 第二行：真实正类样本，第一列是FN（真实正、预测负），第二列是TP（真实正、预测正）
  要确认手动取值时有没有搞混TP、FP、FN的位置。比如你用的4720如果是TP，407361是FN，那这个计算结果应该和sklearn输出的召回率（0.66左右）匹配；而精度需要用TP除以（TP+FP），结合你得到的0.998的精度结果来看，说明FP的数值极小，正类预测错误的情况极少，所以精度极高。

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