为何Keras与Sklearn计算得到的F1、准确率等指标值完全一致

你观察到的所有指标数值完全相等是符合计算逻辑的正常现象，不是运行错误，无需特殊修复，原理如下：

1. sklearn侧四类指标相等的原因 #

当你在多分类指标计算中指定average='micro'时，计算逻辑为：先统计所有类别的总真正例（TP）、总假正例（FP）、总假负例（FN），再基于全局统计值计算指标：

• 精确率 = 总TP / (总TP + 总FP)
• 召回率 = 总TP / (总TP + 总FN)
• F1值 = 2 * 精确率 * 召回率 / (精确率 + 召回率)

你的y_true和y_pred都是独热编码格式，每个样本仅有一个位置为1，此时每一个预测错误的样本，会同时贡献1个FP（把负类预测为正）和1个FN（把正类预测为负），因此总FP = 总FN，代入上面的公式可得：精确率 = 召回率 = F1值。
而准确率的计算逻辑是预测正确的样本数/总样本数 = 总TP / 总样本数，在总FP=总FN的前提下，总TP/(总TP+总FP) = 总TP/总样本数，因此准确率也和另外三个指标相等。

2. Keras与sklearn结果完全匹配的原因 #

• 你使用的tfa.metrics.F1Score显式指定了average='micro'，和sklearn的计算逻辑完全对齐，结果末尾的微小差异是float32和float64的精度差，属于正常误差。
• tf.keras.metrics.CategoricalAccuracy本身就是多分类准确率计算接口，和sklearn的accuracy_score逻辑一致。
• tf.keras.metrics.Precision()和tf.keras.metrics.Recall()在独热编码的多分类输入场景下，默认统计全局的TP/FP/FN，等价于average='micro'的计算效果，因此结果和sklearn侧一致。

3. 如需获取不同指标值的修改方法 #

如果你需要区分四类指标的数值，修改平均方式即可，示例如下：

• sklearn侧将所有指标的average参数改为'macro'（宏平均，每个类的指标先单独计算再算术平均，不考虑类别样本量差异）或'weighted'（加权平均，按每个类的样本量加权平均）
• Keras侧：
  • F1Score的average参数修改为对应值
  • Precision和Recall接口显式指定平均参数：tf.keras.metrics.Precision(average='macro')、tf.keras.metrics.Recall(average='macro')

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