官方介绍：

average : {'micro', 'macro', 'samples', 'weighted', 'binary'} or None, \
            default='binary'
        This parameter is required for multiclass/multilabel targets.
        If ``None``, the metrics for each class are returned. Otherwise, this
        determines the type of averaging performed on the data:

        ``'binary'``:
            Only report results for the class specified by ``pos_label``.
            This is applicable only if targets (``y_{true,pred}``) are binary.
        ``'micro'``:
            Calculate metrics globally by counting the total true positives,
            false negatives and false positives.
        ``'macro'``:
            Calculate metrics for each label, and find their unweighted
            mean.  This does not take label imbalance into account.
        ``'weighted'``:
            Calculate metrics for each label, and find their average weighted
            by support (the number of true instances for each label). This
            alters 'macro' to account for label imbalance; it can result in an
            F-score that is not between precision and recall.
        ``'samples'``:
            Calculate metrics for each instance, and find their average (only
            meaningful for multilabel classification where this differs from
            :func:`accuracy_score`).

核心概念：为什么需要 average？

在多分类（如识别猫、狗、鸟）或多标签（如为文章打上“科技”、“财经”、“体育”等多个标签）问题中，模型会为每个样本预测一个或多个类别。我们计算精确率（Precision）、召回率（Recall）、F1-score 等指标时，不再像二分类问题那样只有“正类”和“负类”两个维度。

average参数的作用就是​​指定一种策略，将多个类别的评估结果汇总成一个单一的数字​​，以便于我们快速、宏观地比较不同模型的性能。

---

各参数详解与应用场景

假设我们有一个三分类问题的结果，其混淆矩阵简化如下（TP = True Positive, FP = False Positive, FN = False Negative）：

类别	TP	FP	FN	样本数（Support）
0	10	5	2	12 (10+2)
1	20	3	0	20 (20+0)
2	12	8	5	17 (12+5)

1. average='binary'

• ​​含义​​：​​二分类模式​​。只报告由 pos_label参数指定的那个类别的指标，完全忽略其他类别。将所有其他类别都视为“负类”。

• ​​使用场景​​：

  • ​​仅适用于二分类问题​​。这是 Scikit-learn 中许多指标（如 f1_score, precision_score, recall_score）的默认值。
  • 如果你在一个多分类问题上错误地使用了 average='binary'，而 pos_label又使用默认值（通常是1），那么它只会计算​​类别1​​的指标（如上例中，P=20/(20+3)≈0.87, R=20/(20+0)=1.0, F1≈0.93），这完全不能代表模型在整个数据集上的表现。

• ​​结论​​：​​只在标准的二分类问题中使用​​。

2. average='micro'

• ​​含义​​：​​微平均​​。先​​全局统计​​所有的 TP、FP、FN 的总数量，然后用这些总和来计算一个全局的指标。

  • 全局 TP = 10 + 20 + 12 = 42
  • 全局 FP = 5 + 3 + 8 = 16
  • 全局 FN = 2 + 0 + 5 = 7
  • Micro-Precision = 42 / (42 + 16) ≈ 0.724
  • Micro-Recall = 42 / (42 + 7) ≈ 0.857
  • Micro-F1 = (2 * 0.724 * 0.857) / (0.724 + 0.857) ≈ 0.785

• ​​特点​​：​​平等看待每个样本​​。无论样本属于哪个类别，它对最终指标的贡献都是相同的。因此，它受​​大类​​（样本数量多的类别）的性能影响更大。

• ​​使用场景​​：

  • 当你关心整个数据集上的​​整体性能​​，并且认为每个样本的权重应该相同时。
  • 在类别样本量​​不平衡​​的数据集上，如果你想衡量模型对​​大多数样本​​的识别能力，微平均是一个很好的选择。

• ​​一个重要特性​​：在多分类任务中，micro-average的 Precision、Recall、F1 三者​​值相等​​，并且等于​​准确率（Accuracy）​​。

3. average='macro'

• ​​含义​​：​​宏平均​​。​​先独立计算每个类别的指标​​，然后简单地计算这些指标的​​算术平均值​​。

  • P0 = 10 / (10 + 5) ≈ 0.667
  • P1 = 20 / (20 + 3) ≈ 0.870
  • P2 = 12 / (12 + 8) = 0.600
  • ​​Macro-Precision​​ = (0.667 + 0.870 + 0.600) / 3 ≈ 0.712

• ​​特点​​：​​平等看待每个类别​​。无论类别的大小，每个类别对最终指标的贡献都是相同的。一个小众类别（如“2”）的性能会和一个大众类别（如“1”）的性能被同等对待。

• ​​使用场景​​：

  • 当你认为​​所有类别都同等重要​​时，无论它们的样本数量多少。例如，在医疗诊断中，一个罕见病（样本少）的重要性不亚于一个常见病（样本多）。
  • 当你想了解模型在​​小类别​​上的表现，而不希望其被大类别“淹没”时。

• ​​缺点​​：可能会被表现极差的少数类别拉低平均值，从而不能很好地反映模型在大多数样本上的表现。

4. average='weighted'

• ​​含义​​：​​加权平均​​。也是先独立计算每个类别的指标，然后计算这些指标的​​加权平均​​，​​权重是每个类别的真实样本数（Support）​​。

  • P0 ≈ 0.667, Support=12
  • P1 ≈ 0.870, Support=20
  • P2 = 0.600, Support=17
  • 总样本数 = 12 + 20 + 17 = 49
  • ​​Weighted-Precision​​ = (0.667 * 12 + 0.870 * 20 + 0.600 * 17) / 49 ≈ 0.731

• ​​特点​​：是 macro和 micro之间的一种折衷。它通过类别样本量来调整权重，既考虑了每个类别的性能，又考虑了类别的重要性（样本越多越重要）。

• ​​使用场景​​：

  • 处理​​类别不平衡​​数据集时的​​首选​​。它比 macro更能反映模型在整体数据上的表现，同时又不像 micro那样完全被大类别主导。
  • 当你希望指标的数值能够考虑到类别分布时。

5. average='samples'

• ​​含义​​：​​按样本平均​​。这个指标的计算方式与前几种完全不同，它​​专为多标签问题设计​​。它为​​每个样本​​计算其所有标签的指标（基于真实标签和预测标签），然后对所有样本的指标求平均。

• ​​使用场景​​：

  • ​​仅适用于多标签分类​​（一个样本可以有多个标签）。对于单标签多分类问题（一个样本只有一个标签），samples的结果与 micro相同。
  • 当你关心的是​​每个样本的预测质量​​，而不是每个标签的预测质量时。例如，一篇文章被预测为 [科技, 财经] 而它的真实标签是 [科技]，那么对于这个样本，它的 Precision 就是 1/2=0.5（预测对了1个，多预测了1个），Recall 是 1/1=1.0（真实有1个，预测对了1个）。

6. average=None

• ​​含义​​：​​不进行平均​​。返回一个数组，其中包含​​每个类别​​的指标值。

• ​​使用场景​​：

  • 进行​​详细的模型诊断​​时。你可以清楚地看到模型在哪个类别上表现好，在哪个类别上表现差，从而进行有针对性的改进。
  • 这是最全面的方式，在你完成最终模型评估后，分析模型行为时非常有用。

---

总结与选择建议

参数	核心思想	适用场景	对类别不平衡的敏感性
​​'binary'​​	只看指定的一个类	​​仅限二分类​​	-
​​'micro'​​	​​平等看待每个样本​​	关心整体性能，尤其是大类的表现	​​敏感​​（受大类影响）
​​'macro'​​	​​平等看待每个类别​​	所有类别同等重要，关心小类的表现	​​不敏感​​
​​'weighted'​​	​​按样本量加权看待每个类别​​	​​处理类别不平衡时的首选​​，兼顾类别重要性	​​敏感​​（通过权重）
​​'samples'​​	​​平等看待每个样本​​的多标签	​​仅限多标签分类​​，关心每个样本的预测质量	-
​​None​​	不汇总，看全部细节	模型诊断和详细分析	-

​​一般性建议：​​

1. ​​二分类问题​​：使用 average='binary'。

2. ​​多分类问题​​：

   • 如果​​类别平衡​​，macro和 weighted差别不大，用 macro可以看平均性能。
   • 如果​​类别不平衡​​，想更好地反映整体性能，优先使用 weighted。
   • 如果想​​诊断模型在特定类别上的问题​​，一定要使用 None来查看所有类别的单独指标。

3. ​​多标签问题​​：根据你的目标选择 micro, macro, weighted或 samples。samples提供了独特的视角。