多分类问题考察指标：宏平均（Macro-averaging）和微平均（Micro-averaging）

当我们的问题属于多分类问题时，考察在不同类别下综合考察分类器的优劣，需要引入宏平均（Macro-averaging）、微平均（Micro-averaging）。

---

宏平均（Macro-averaging）是指所有类别的每一个统计指标值的算数平均值，也就是宏精确率（Macro-Precision），宏召回率（Macro-Recall），宏F值（Macro-F Score），其计算公式如下：

宏查准率
$$macro-P=\frac{1}{n}\sum _{i=1}^n{P}_i$$

宏查全率
$$macro-R=\frac{1}{n}\sum _{i=1}^n{R}_i$$

宏F1
$$macro-F1=\frac{2\ast P_{macro}\ast R_{macro}}{P_{macro}+R_{macro}}$$

---

微平均（Micro-averaging）是将各个混淆矩阵对应元素平均，得到TP、FP、TN、FN，然后计算相应的平均值。其计算公式如下：

微查准率
$$micro-P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}$$

微查全率
$$micro-R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}$$

微F1
$$micro-F1=\frac{2\ast P_{micro}\ast R_{micro}}{P_{micro}+R_{micro}}$$

参考文献
1、【机器学习理论】分类问题中常用的性能评估指标
2、李航，《统计学习方法》
3、周志华，《机器学习》