Macro & Micro, P, R, F1

When dealing with multiple classes there are two possible ways of averaging these measures(i.e. recall, precision, F1-measure) , namely, macro-average and micro-average. The macro-average weights equally all the classes, regardless of how many documents belong to it. The micro-average weights equally all the documents, thus favouring the performance on common classes. Different classifiers will perform different in common and rare categories. Learning algorithms are trained more often on more populated classes thus risking local over-fitting.

宏平均指标相对微平均指标而言受小类别的影响更大

转载自：http://www.gooseeker.com/cn/node/Fuller/2010051401，多谢作者。

以下转载自：http://blog.chinaunix.net/uid-23028928-id-2567754.html

正确率、召回率和F值是在鱼龙混杂的环境中，选出目标的重要评价指标。
        不妨看看这些指标的定义先：
正确率 = 正确识别的个体总数 /  识别出的个体总数
召回率 = 正确识别的个体总数 /  测试集中存在的个体总数
F值  = 正确率 * 召回率 * 2 / (正确率 + 召回率)
        不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。Seaeagle撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
        不妨看看如果Seaeagle把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
        由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。