二分类下的宏平均和微平均

在二分类问题中，通常将数据集中的样本分为正和负类两个类别，而宏平均和微平均是两种计算二分类模型性能指标的方法。

宏平均（macro-average）是对每个类别分别计算模型的性能指标，然后取平均值。例如，在分类问题中，可以分别计算正类和负类的精确率和召回率，然后对两个类别的精确率和召回率分别取平均值作为模型的宏平均精确率和宏平均召回率。

微平均（micro-average）是将所有类别的真阳性、假阳性和假阴性的数量加总，然后计算出综合的精确率和召回率。例如，在分类问题中，可以将所有样本的真阳性、假阳性和假阴性的数量加总，然后计算出综合的精确率和召回率作为模型的微平均精确率和微平均召回率。

宏平均和微平均各有优缺点，宏平均适用于数据集中每个类别的样本数量相等或者相近的情况，而微平均则适用于数据集中每个类别的样本数量差别较大的情况。在实际应用中，需要根据具体任务和数据集的特点选择合适的性能指标和计算方法。