'accuracy: precision: recall: 0.9020 are always the same”翻译成中文为：'准确率：精确率：召回率：0.9020始终相同”。如果要给出包含代码示例的解决方法，需要先了解这几个指标的计算方法。以混淆矩阵为基础，其定义如下：

其中：

• TP：True Positives，表示真正例，即实际为真，预测也为真的样本数；
• TN：True Negatives，表示真负例，即实际为假，预测也为假的样本数；
• FP：False Positives，表示假正例，即实际为假，预测为真的样本数；
• FN：False Negatives，表示假负例，即实际为真，预测为假的样本数。

然后，可以通过以下代码计算准确率、精确率和召回率：

from sklearn import metrics

# 假设已有y_true和y_pred两个数组，分别表示真实标签和预测标签
accuracy = metrics.accuracy_score(y_true, y_pred)  # 计算准确率
precision = metrics.precision_score(y_true, y_pred)  # 计算精确率
recall = metrics.recall_score(y_true, y_pred)  # 计算召回率

其中，metrics.accuracy_score()、metrics.precision_score()和metrics.recall_score()是scikit-learn中的函数，用于计算对应的指标。需要注意的是，这几个指标的取值范围都是[0, 1]，并且对于某些模型而言，它们可能会相等。