多分类average='micro'下准确率与精确率等指标相等的原因及公式疑问

核心结论 #

在多分类任务中使用average='micro'时，准确率、精确率、召回率以及F1值必然完全相等，这是由micro平均的计算逻辑直接决定的。

公式推导与逻辑拆解 #

micro平均的核心是先将所有类别的真阳性（TP）、假阳性（FP）、假阴性（FN）分别求和，再基于全局统计量计算指标：

• 全局精确率：Precision_micro = sum(TP_i) / (sum(TP_i) + sum(FP_i))
• 全局召回率：Recall_micro = sum(TP_i) / (sum(TP_i) + sum(FN_i))
• 全局准确率：Accuracy_micro = sum(TP_i) / total_samples

关键的等价关系：

1. sum(TP_i) + sum(FP_i) = total_samples：所有被模型预测为正例的样本总数，等于总样本数——因为每个样本都会被模型分配到一个类别，即每个样本都对应一个预测结果。
2. sum(TP_i) + sum(FN_i) = total_samples：所有真实标签为正例的样本总数，等于总样本数——因为每个样本都有且仅有一个真实类别。

由此直接推导：

• Precision_micro = sum(TP_i)/total_samples
• Recall_micro = sum(TP_i)/total_samples
• Accuracy_micro = sum(TP_i)/total_samples

三者完全相等，而F1值是精确率与召回率的调和平均，自然也等于同一个数值。

你引用实例的错误修正 #

你给出的实例中，准确率的计算存在错误：

ttl_TP = 15 + 15 + 45 = 75
ttl_FP = 9 + 5 + 11 = 25
ttl_FN = 5 + 15 + 5 = 25
ttl_samples = 100

# 错误计算
micro-averaging accuracy = 75 / (75 + 25 +25) = 75 / 125

这里的分母错误地重复累加了样本：sum(TP) + sum(FP) + sum(FN)并不是总样本数，正确的准确率分母应为总样本数100，因此正确计算为：
micro-averaging accuracy = 75 / 100 = 0.75，与精确率、召回率结果一致。

关于求和等式的澄清 #

文章提到的∑(TP_i + FP_i + FN_i) = total_samples表述不够严谨，正确的核心逻辑是上述两个等价关系：全局预测正例总数等于总样本数，全局真实正例总数等于总样本数。这才是micro平均下各指标一致的本质原因。

内容的提问来源于stack exchange，提问作者MinjeSeok