Чем отличаются микро и макро усреднение для F1 при многоклассовой классификации?

При многоклассовой классификации F1-метрика можно усреднять двумя основными способами — микро и макро, и они отражают разные подходы к оценке качества модели.

• Микроусреднение (micro-average): считает суммарные истинные положительные, ложные положительные и ложные отрицательные по всем классам, а затем вычисляет F1. Это значит, что каждый отдельный пример имеет одинаковый вес, и метрика отражает общую производительность модели без учёта баланса классов.

• Макроусреднение (macro-average): сначала вычисляет F1 для каждого класса отдельно, а затем усредняет эти значения. Здесь каждый класс имеет одинаковый вес, независимо от количества примеров в нём. Это полезно, когда важна производительность на каждом классе, особенно если классы несбалансированы.

Пример: Если у вас 3 класса с разным количеством примеров, микроусреднение будет больше отражать качество на больших классах, а макроусреднение покажет среднюю производительность по всем классам равномерно.