宏平均（Macro-average）
宏平均计算每个类别的评价指标（如准确率、精确率、召回率、F1 分数等），然后对所有类别的指标进行平均。宏平均给予每个类别相同的权重，适用于各个类别的重要性相等的情况。
宏平均不会因为类别样本数量不同而偏向样本较多的类别。它关注每个类别的表现，适用于各个类别的重要性相等或相近的情况。
微平均（Micro-average）
微平均将所有类别的预测结果汇总起来，计算整体的评价指标。对所有类别的预测结果进行统一的计算，适用于类别样本不平衡的情况。以精确率为例，微平均的精确率为：
其中，TP 表示真正例（True Positive），FN 表示假负例（False Negative）。
微平均考虑了所有类别的样本数量，它会更关注样本数量多的类别，因为这些类别会对整体性能有更大的影响。微平均能够反映出模型在处理样本数量不平衡情况下的表现。
加权平均（Weighted Average）
加权平均考虑了类别样本数量的不平衡性，对每个类别的指标乘以对应类别的样本数量占总样本数量的比例，然后进行加权平均。这可以反映不同类别的重要性。
加权平均考虑了类别样本数量的不平衡性，对样本较多的类别给予更大的权重，从而更好地反映整体性能。它适用于类别样本数量差异较大的情况。
