我怀疑您正在测量您的两个班级的精确度、召回率和准确度的微观平均值。如果您这样做而不是考虑一类“正”和另一类“负”，那么您将始终获得相同的召回率和准确率值，因为 FP 和 FN 的值将始终相同（您可以检查更多细节在这里： http: //metaoptimize.com/qa/questions/8284/does-precision-equal-to-recall-for-micro-averaging）

这可能是一个巧合。

如果我们必须对此说些什么，那么它表明敏感性（又名召回，或 TPR）等于特异性（又名选择性，或 TNR），因此它们也等于准确性。TP / P = TN / N = (TP+TN) / (P+N)，其中 P = TP+FN，N = TN+FP。

这意味着您的模型在某种程度上是“平衡的”，也就是说，它正确分类正样本的能力与其正确分类负样本的能力相同。

但是，敏感性和特异性的重要性可能因情况而异，因此“平衡”不一定是好的。

正如OP所提到的，这只是一个巧合。每个类中的实例数量很可能是平衡的。召回 = TP/P 和 Acc = (TP + TN)/(P+N)，所以在你的情况下 TP/P = TN/N。这可能发生，并且更有可能发生在 |P| 时。= |N|

尝试以下操作：打印最多 7-8 位小数，您可能会看到一些差异。

二是尝试不平衡的问题。就像将正类设置为总数的 20%，让休息为 80%，你肯定会看到差异。

这意味着 TN 和 FP 接近于 0。

因此，精度接近TP/TP=1。

召回公式不会改变，因为 TP 和 FN 都不接近 0。

(TP+TN)/(TP+TN+FP+FN)的准确率接近召回率的TP/(TP+FN)。

使 TN 和 FP 接近 0 意味着您有一个不平衡的数据集，与正负的标准相比，它具有反向不平衡。在使用精确度和召回率时，很少有正面的，而负面的很少是标准的。

通常，人们使用精确度和召回率，因为 TN 非常常见（并且使准确度非常高）并且您不太关心它。在您的情况下，TP 很常见，TN 很少见。