🎯 3分类评估指标对比工具
直观对比 Macro、Weighted、Micro 三种平均模式
📚 工具说明
- 混淆矩阵:输入3x3混淆矩阵,对角线是正确预测的样本数
- 实时计算:修改任意数值,所有指标自动更新
- 预设案例:点击下方按钮快速加载典型场景
- 观察重点:Macro vs Weighted 的差异(Weighted ≈ Micro 是数学事实)
📊 混淆矩阵输入(3x3)
📈 各类别详细指标
💡 为什么 Weighted 和 Micro 如此接近?
- 🔬 数学证明:
- • Weighted Recall = Σ(Recall_i × Support_i) / ΣSupport = Σ(TP_i/(TP_i+FN_i) × (TP_i+FN_i)) / ΣSupport = ΣTP_i / ΣSupport
- • Micro Recall = ΣTP_i / (ΣTP_i + ΣFN_i) = ΣTP_i / ΣSupport(因为Support = TP+FN)
- • 结论:Weighted Recall ≡ Micro Recall(数学上完全相等!)
- 📊 Precision 为什么也很接近?
- • Weighted Precision = Σ(TP_i/(TP_i+FP_i) × Support_i) / ΣSupport
- • Micro Precision = ΣTP_i / (ΣTP_i + ΣFP_i)
- • 在多分类中,这两个公式通常给出非常接近的结果(但不完全相等)
- • 只有在极端的、特定的混淆模式下,差异才会稍微明显(但仍然很小)
- 🎯 那么 Macro 的意义是什么?
- • Macro:每个类别平等权重,对少数类的表现非常敏感
- • Weighted/Micro:偏向样本多的类别,反映整体效果
- • 试试"🔍少数类差"案例:类别3样本少且表现差 → Macro显著降低,但Weighted/Micro影响很小
- • 实际应用:如果 Macro ≪ Weighted,说明少数类表现很差;如果关心所有类别,应优化少数类
- 🔍 观察建议:
- 1. 点击不同预设按钮,重点观察 Macro vs Weighted 的差异(这才是关键对比)
- 2. "Weighted vs Micro 差异分析"区域会验证 Recall 始终为 0.000%
- 3. Precision 和 F1 的差异通常也在 0.1% 以内,除非极端场景