当我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果：
1、宏平均 macro avg:
对所有类别的平均
精准macro avg
=(P_no+P_yes) / 2
=(0.24+0.73) / 2 = 0.48
2、微平均 micro avg:
对数据集中的每⼀个实例不分类别进⾏统计建⽴全局混淆矩阵，然后计算相应指标：
精准micro avg = 召回micro avg = f1_micro avg
=(TP+TN) / (TP+FP+TN+FN)
=(0.54 * 7535 +0.42 * 22462 ) / (7535+22462)=0.45
3、加权平均 weighted avg：
是对宏平均的一种改进，考虑了每个类别样本数量在总样本中占比
精准加权weighted avg
=P_no * （support_no / support_all）+ P_yes * （support_yes / support_all）
=0.24(7525 / 29997) + 0.73(22462 / 29997)=0.61
参考：
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
混淆矩阵（Confusion Matrix）分析
宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
【NLP】再看分类评估指标——宏平均，微平均
Original: https://blog.csdn.net/Joker00007/article/details/122920938
Author: Joker 007
Title: 【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/667599/
转载文章受原作者版权保护。转载请注明原作者出处！