多分类ROC曲线：macro和 micro

通过ROC曲线能够有效评估算法的性能，默认情况下适用于二分类任务，在多分类任务中利用one vs rest方式计算各个类别的混淆矩阵，使用如下平均方式

• macro：分别求出每个类，再进行算术平均
  优点：直观、易懂，并且方便实现
  缺点：实际情况下可能不同类别拥有不同的重要性，宏平均会导致计算结果受不常用类别的影响

• micro：全局计算。将所有混淆矩阵累加在一起，然后计算TPR/FPR/AUC

参考：

• https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html#sklearn.metrics.roc_auc_score

• https://blog.zhujian.life/posts/48526d13.html