分类评测集不均衡时如何比较 macro 与 micro 指标

分类评测集不均衡时，macro 和 micro 没有谁天然更正确：前者先算每个类别，再让类别等权；后者先把所有类别的 TP、FP、FN 汇总，再算一个整体指标。多数类占比很高时，micro 往往更接近整体样本表现，而 macro 更容易暴露少数类是否真的被识别出来。

macro 看每个类别，micro 看整体样本

设有三个类别，样本量分别是 900、90 和 10。macro 的思路是先得到三个类别各自的 precision、recall 或 F1，再取算术平均；一个只有 10 个样本的类别，与 900 个样本的类别拥有相同权重。它回答的是“模型对各类是否都照顾到”。

micro 则把三个类别的 TP、FP、FN 合并后计算。例如 micro-F1 使用汇总后的 precision 与 recall，再计算调和平均。它回答的是“把所有样本放在一起，整体判断做得怎样”。在单标签多分类并且统计所有类别时，micro precision、micro recall 和 micro-F1 通常会与 accuracy 相等，因此不能把它误解成少数类表现。

先固定评测口径，再同时计算两组指标

比较前先锁定四件事：测试集切分、标签集合、决策阈值和平均方式。不能拿一组数据的 macro 与另一组数据的 micro 对比，也不要在 macro 中忽略没有样本的类别，却在 micro 中把它的预测错误算进去。

下面的示例只用计数说明聚合逻辑。真实项目中还要按业务定义处理空类别、样本权重和多标签任务：

def f1(precision, recall):
    # 召回率或精确率为零时，避免除零并明确该类没有有效 F1。
    if precision + recall == 0:
        return 0.0
    return 2 * precision * recall / (precision + recall)

def compare_macro_micro(stats):
    # stats 保存每类 TP、FP、FN；先算每类 F1，再做 macro 平均。
    per_class = []
    total_tp = total_fp = total_fn = 0
    for item in stats:
        tp, fp, fn = item["tp"], item["fp"], item["fn"]
        precision = tp / (tp + fp) if tp + fp else 0.0
        recall = tp / (tp + fn) if tp + fn else 0.0
        per_class.append(f1(precision, recall))
        total_tp += tp
        total_fp += fp
        total_fn += fn
    # micro 先汇总计数，再从总数计算精确率、召回率和 F1。
    micro_p = total_tp / (total_tp + total_fp) if total_tp + total_fp else 0.0
    micro_r = total_tp / (total_tp + total_fn) if total_tp + total_fn else 0.0
    return {
        "macro_f1": sum(per_class) / len(per_class),
        "micro_f1": f1(micro_p, micro_r),
        "per_class_f1": per_class,
    }

高 micro 分数为什么仍可能漏掉少数类

如果多数类占了九成样本，模型即使在少数类上漏掉很多样本，整体正确数仍可能很好看。这不是 micro 算错，而是它忠实反映了样本权重。真正需要追问的是：少数类的 recall 是否低？错误是否集中流向某一个相邻类别？少数类样本是否少到结论不稳定？

复核时至少保留每类支持数、precision、recall、F1 和混淆矩阵。若业务更怕漏检，就把少数类 recall 设为单独门槛；若误报成本更高，再同时观察 precision。不要用一个 macro 数字替代这些细节。

报告里怎样写出可复查的结论

推荐采用“整体 + 类别 + 分布”三层结构：第一行给 micro-F1 说明所有样本的总体结果；第二行给 macro-F1 和 weighted-F1，说明类别平均与规模加权的差异；第三行列出每类支持数和关键 recall。最后补一句选择理由，例如“整体自动分流参考 micro，少数类告警准入使用该类 recall”。

当 macro 明显低于 micro 时，先不要急着调模型参数。优先检查标签映射、少数类样本质量、阈值和切分随机性；如果每次切分都由同一少数类拖低，才说明模型或数据确实需要针对性改进。

相关问题

macro-F1 很低就一定说明模型不能上线吗？

不一定。若低分来自业务不关注的极小类别，可以降级为观察项；但必须在报告中说明取舍，不能用 micro-F1 掩盖它。

多分类任务应该只看 micro-F1 吗？

不建议。单标签多分类中它常接近 accuracy，适合看整体，但还应同时给 macro-F1 和关键类别 recall。

类别极不均衡时该优先看什么？

先看少数类 recall、支持数和混淆矩阵，再结合 macro-F1 判断是否存在普遍性的类别退化。