我正在使用随机森林分类器（scikit learn）。当我进行 5 折交叉验证时，平均准确度得分约为 70%。但是，当我查看precision_score 和recall_score 时，它们都是1。这可能吗？如果错了，可能是什么问题？这是代码：
clf = RandomForestClassifier(n_estimators=100)
clf.fit(X, Y.values.ravel())
scores = cross_val_score(clf, X, Y.values.ravel(), cv=5, scoring="accuracy")
Y_pred = clf.predict(X)
precision = precision_score(Y, Y_pred)
recall = recall_score(Y, Y_pred)
首先，您应该使用cross_val_predict来获取预测向量，以便您遵循大致相同的验证方案来获取它们：
Y_pred = cross_val_predict(clf, Y, cv=5)
然后，考虑到这些是 scikit 被认为是正类的分数，召回率或精度完全可能为 1。事实上，scikit 默认将你的一个类分配为“正”类，并根据它计算类固有的指标。
但是，正如您所说，您不能同时拥有 1 和 70% 的准确度。
事实是您的 clf.predict 为您提供了 100% 的准确度，而在交叉验证期间并非如此，因为在您的第二个方案中：
clf.fit(X, Y.values.ravel())和Y_pred = clf.predict(X)
你训练和预测相同的数据！因此，在交叉验证期间，您可以获得 100% 的准确率，这很常见：
scores = cross_val_score(clf, X, Y.values.ravel(), cv=5, scoring="accuracy")
您在不同的折叠上进行了训练和测试，这在逻辑上会导致更差的结果（但更接近真实条件实验）。
此外，尝试使用cross_val_predictthenprecision_recall_fscore_support(Y, Y_pred)以获得每个类的详细指标报告。