宏观平均值和加权平均值（笔记自用）

在做机器学习的作业，使用MLP分类indian pines数据集，两层隐藏层，大小都是1024，优化器Adam、激活函数ReLU、交叉熵损失、数据集划分4：1。

小组学长写的代码，实验结果如下：

请教了最后两行指标的意思，记在这里：

• 宏观平均值Macro Average
  计算每个类别指标的简单平均值，而不考虑每个类别的样本大小。对于精确度、召回率和F1分数，它首先分别计算每个类别的这些指标，然后计算所有类别指标的算术平均值。
  宏观平均法赋予所有类别同等的重要性，这意味着每个类别都具有同等的权重。在不平衡的数据集中，宏平均可以为少数类赋予更多的权重，使其对模型在小类上的性能更敏感。
• 加权平均值Weighted Average
  在计算加权平均值时，会考虑每个类别的样本量（即权重），并计算每个类别指标的加权平均值。具体来说，它会将每个类别的准确性、召回率和F1分数乘以其在数据集中的相对比例，然后将其相加。
  加权平均为样本量较大的类别赋予更高的权重。在不平衡的数据集中，这意味着大多数类的性能将对总体平均度量产生更大的影响。