多分类 · Multi-class

多分类：逐类指标与三种平均

三个以上的类别时，每一类都可以看成「这一类 vs 其余所有类」的二分类，各有自己的精确率和召回率。怎么把它们汇总成一个数，有宏平均、微平均、加权平均三种做法，结果可能差很多。

输入数据 INPUT

每行一个样本：真实类别, 预测类别（类别名可以是中文、英文或数字）

三种平均怎么选 AVERAGING

宏平均 macro: 每一类算出指标后直接取平均，小类和大类同样重要。某个小类判得很差，宏平均会明显下降。
加权平均 weighted: 按每类的真实样本数加权。结果更接近大类的表现，小类判得差不太看得出来。
微平均 micro: 先把所有类的 TP、FP、FN 加起来再算。每个样本只有一个真实类别、一个预测类别时，一个错判同时算作一个 FP 和一个 FN，所以微平均的精确率、召回率、F1 都等于准确率。

计算结果

样本数20

类别数3

准确率0.7500

真实 ↓ · 预测 →	狗	猫	兔	合计
狗	6	1	1	8
猫	1	6	1	8
兔	1	0	3	4
合计	8	7	5	20

平均方式	精确率	召回率	F1
宏平均 macro3 个类别的指标直接取平均，每类同等重要	0.7357	0.7500	0.7389
加权平均 weighted按每类的支持数（真实样本数）加权	0.7629	0.7500	0.7533
微平均 micro先把所有类别的 TP、FP、FN 加总再算；单标签多分类时三者都等于准确率	0.7500	0.7500	0.7500

对第 i 类：对角线上第 i 格是 TP；第 i 列里除对角线外的数加起来是 FP（别的类被错判成 i）；第 i 行里除对角线外的数加起来是 FN（i 被错判成别的类）。支持数是第 i 行的合计。

精确率 = TP / (TP + FP)，召回率 = TP / (TP + FN)，F1 = 2TP / (2TP + FP + FN)。和二分类计算台用的是同一套公式，只是「正类」换成了第 i 类。

如果模型从没预测过某一类，这一类的精确率分母为 0，是无定义的。算宏平均和加权平均时本站按 0 计入，并在结果下方列出，见约定。

先核对行列方向：本站行是真实类别、列是预测类别。有些资料正好反过来，转置之后精确率和召回率会互换。