4. 多分类指标宏平均与微平均：macro、micro、weighted 平均
多分类场景里，光看总准确率往往不够。你要分别看每个类别的表现，但又不想看十几个数字头晕。这时候就要靠「平均」手段来浓缩信息。今天聊聊三种最常见的平均方式：macro（宏平均）、micro（微平均）、weighted（加权平均）。
我刚开始做多分类时，经常只用 macro，觉得它“公平”。后来遇到严重不平衡的数据，才发现 macro 有时会把人带偏。嗯，咱们把底层逻辑拆清楚。
4.1 先回忆一下：多分类混淆矩阵
二分类我们只有 TP、FP、TN、FN。多分类呢？其实每个类别都可以看成“自己 vs 其他”。比如三分类（类别 A/B/C），对于类别 A：
- TP_A：真实 A，预测 A
- FN_A：真实 A，预测成 B 或 C
- FP_A：真实 B 或 C，预测成 A
- TN_A：真实 B 或 C，预测成 B 或 C（但不是 A）
每个类别都能算出一组 precision、recall、f1。有了这些“类别级指标”，怎么汇总成一个整体数字？三种平均方式就登场了。
4.2 Macro Average（宏平均）
做法很简单：把你所有类别的某个指标（比如 F1）加起来，除以类别数。举个例子，三个类别的 F1 分别是 0.80、0.75、0.55，那 macro F1 就是 (0.80+0.75+0.55)/3 = 0.70。
关键点：每个类别的权重一样，不管这个类别只有 10 个样本还是 10000 个样本。
什么时候用 macro？
当你想让模型在“小类别”上也有好表现，而不是被大类别牵着鼻子走的时候。我个人在医疗影像的罕见病分类中几乎必看 macro F1，因为罕见类样本极少，但漏掉一个代价极高。
避坑提醒
我曾经在一个严重不平衡的数据上只看 macro F1，模型对大类几乎全对但对小类乱猜，macro F1 居然还可以。后来我加了 weighted 才发现问题。
macro 对小类非常敏感，如果小类由于偶然涨了 10 个点，整体 macro 会被拉高，但它可能并不稳定。
4.3 Micro Average（微平均）
微平均的思路不一样——它先不管类别，把所有的 TP、FP、FN 汇总到一起，然后统一算 precision、recall、F1。
具体来说：
# 多分类二值化后，全局汇总
total_TP = sum(TP_i)
total_FP = sum(FP_i)
total_FN = sum(FN_i)
micro_precision = total_TP / (total_TP + total_FP)
micro_recall = total_TP / (total_TP + total_FN)
micro_f1 = 2 * micro_precision * micro_recall / (micro_precision + micro_recall)你会发现 micro F1 其实就等于 overall accuracy（当预测只有一标签时）。为什么？因为 micro 把每个样本是否预测正确直接累加，相当于算的是全局正确率。
适用场景
如果你只关心模型在全部样本上的整体表现，不关心个别差类别，那 micro 是最直接的数字。比如垃圾邮件过滤，你只关心整体误判率，大概率类别的表现就足够了。
但我个人一直觉得，光看 micro 会掩盖小类的问题。假如大类比小类多 100 倍，micro F1 几乎完全由大类决定，小类即使全军覆没，整体数字也很难看出来。
4.4 Weighted Average（加权平均）
加权平均就是 macro 的改良版。它仍然先算每个类别的指标，但在求平均时按该类别的“样本数”（support）加权。样本多的类别影响力大，样本少的类别影响力小。
数学上：
weighted_precision = ∑(precision_i * support_i) / total_samples
weighted_recall = ∑(recall_i * support_i) / total_samples
weighted_f1 = ∑(f1_i * support_i) / total_samples加权平均保留了每个类别的内部指标，但权重和样本分布一致。说白了，更符合线上真实的数据分布。
我的经验
在实际项目中，我一般默认先看 weighted F1，除非有特殊需求才切到 macro 或 micro。比如在做用户分层时，每个层级的样本量差异很大，weighted 能公平反映模型在主力层级上的表现，同时又不完全忽略小层级。
4.5 三种方式的对比
| 维度 | Macro | Micro | Weighted |
|---|---|---|---|
| 类别权重 | 相等 | 不按类别，按样本贡献 | 按样本数 |
| 对小类的敏感度 | 高 | 很低 | 中等 |
| 是否等于 accuracy | 否 | 是（单标签多分类） | 否 |
| 受数据不平衡影响 | 可能高估不均 | 偏向大类别 | 与分布一致 |
| 常用场景 | 各类别同等重要 | 只看整体准确率 | 默认推荐 |
4.6 代码示例：scikit-learn 中一键计算
不用自己手算，sklearn 的 classification_report 或 f1_score 都支持。看一下：
from sklearn.metrics import f1_score, recall_score, precision_score
y_true = [0, 1, 2, 0, 1, 2, 0, 1, 2, 0]
y_pred = [0, 2, 1, 0, 1, 1, 0, 1, 2, 2]
# Macro
print("Macro F1:", f1_score(y_true, y_pred, average='macro'))
# Micro
print("Micro F1:", f1_score(y_true, y_pred, average='micro'))
# Weighted
print("Weighted F1:", f1_score(y_true, y_pred, average='weighted'))
# 查看每个类别的支持数
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))输出会非常清晰。我习惯先跑个 classification_report 看一眼每类的 precision/recall/f1 和 support，再决定用哪种平均方式。
小技巧
在调参阶段，我经常同时记录三个平均 F1，画折线图对比趋势。如果 macro 和 weighted 的 gap 突然拉大，说明模型在少数类上表现特别差或特别好，可以针对性做数据增强或重采样。
4.7 实战中的选择策略
用一个简单的流程帮你快速决策：
- 先看看样本分布——如果各类别样本数差距在 5 倍以内，macro 和 weighted 差距不大，我倾向用 macro，因为它更公平。
- 如果很不平衡（比如 100:1），weighted 是你的好朋友。它不会因为一个只有 10 样本的类别搞崩整体数字。
- 业务考核只看整体准确率？ 那就直接用 micro，因为它刚好等于 accuracy。
- 需要向老板汇报——建议同时给出 weighted F1 和 macro F1，并说明为什么不一致。如果差异很大，本身就是重要的模型诊断信息。
一次排查经历
我曾经碰到一个模型，macro F1 0.72，weighted F1 0.91。我当时觉得“挺好”。后来排查发现，模型在大类上几乎 100% 正确，但有一个样本量很少的关键类别全部判错。macro 被拖低，但 weighted 完全掩盖了这个问题。从那以后，我养成了同时观察 macro 和 weighted 的好习惯。
好了，多分类平均指标就这些。记住核心：没有万能指标，只有最合适的组合。带着你的业务特点去选，比盲目抄别人的配置靠谱得多。