SVM多分类评价指标

对于SVM多分类问题，可以使用以下指标来评估模型性能：

1. 准确率（Accuracy）：所有分类正确的样本数占总样本数的比例。准确率是最常用的分类指标之一，但当不同类别的样本数量不平衡时，准确率可能不是很有意义。

2. 宏平均精确率/召回率/F1-score（Macro-averaged Precision/Recall/F1-score）：对每个类别单独计算精确率、召回率、F1-score，然后对这些指标取平均值。宏平均指标不考虑类别的样本数量，适用于不同类别的样本数量相差较大的情况。

3. 微平均精确率/召回率/F1-score（Micro-averaged Precision/Recall/F1-score）：将所有类别的真实类别和预测类别合并后计算精确率、召回率、F1-score。微平均指标考虑了所有样本，适用于不同类别的样本数量相近的情况。

4. 加权平均精确率/召回率/F1-score（Weighted-averaged Precision/Recall/F1-score）：对每个类别单独计算精确率、召回率、F1-score，然后按照每个类别的样本数量进行加权平均。加权平均指标适用于不同类别的样本数量不均衡的情况。

在sklearn中，可以使用classification_report函数得到每个类别的精确率、召回率、F1-score和支持样本数，也可以使用accuracy_score函数得到准确率。例如：

from sklearn.metrics import classification_report, accuracy_score

y_true = [0, 1, 2, 0, 1, 2, 0, 1, 2]
y_pred = [0, 1, 2, 1, 1, 2, 0, 1, 0]

print(classification_report(y_true, y_pred))
print("Accuracy:", accuracy_score(y_true, y_pred))

输出结果为：

              precision    recall  f1-score   support

           0       0.67      1.00      0.80         2
           1       0.67      0.67      0.67         3
           2       1.00      0.50      0.67         2

    accuracy                           0.67         7
   macro avg       0.78      0.72      0.71         7
weighted avg       0.73      0.67      0.66         7

Accuracy: 0.6666666666666666

其中，precision为精确率，recall为召回率，f1-score为F1-score，support为支持样本数。macro avg表示宏平均，weighted avg表示加权平均。