【多类别分类中的准确率召回率平均策略】

1. 机器学习中的微平均策略（Micro Average Strategy）

在机器学习和数据科学中，微平均（Micro Average）是一种评估分类模型性能的方法。与宏平均（Macro Average）不同，微平均在计算指标（如精确率、召回率、F1 分数）时，先将所有类别的预测和实际值汇总，然后计算整体指标。这种方法对类别不平衡的数据集尤其有用。具体特点包括：

全局计算：将所有类别的真阳性、假阳性和假阴性累加后，再计算指标。
适用于类别不平衡：由于微平均考虑了每个实例，对样本数量不平衡的数据集更具代表性。
与宏平均的区别：宏平均先对每个类别分别计算指标，再取平均，而微平均直接基于整体数据计算。
示例： 假设有三个类别，类别 A 有 100 个样本，类别 B 有 10 个样本，类别 C 有 1 个样本。使用微平均时，所有样本被平等对待，不论所属类别。

2. 机器学习中的宏平均策略（Macro Average Strategy）

在机器学习和数据科学中，宏平均（Macro Average）通常指的是在评估分类模型性能时，对每个类别的指标（如精确率、召回率、F1分数）先分别计算，然后取平均值，而不考虑各类别的样本数量。这种方法适用于类别不平衡的数据集。

如果“宏平均策略”是在这个领域提到的，可能指的是在模型评估或优化过程中，采用宏平均的方法来确保各类别的性能均衡。

3、weighted 平均策略

根据每个类别的比例权重平均