基础指标
评价指标的计算方法在两种方法中有一些差异，但它们都提供了对模型性能的有效度量，用于评估模型在多分类任务中的表现。具体选择哪种方法取决于任务需求、数据特点以及模型训练的策略。
对于直接对多个类别进行预测的多分类模型，准确率和混淆矩阵评价模型性能常用的指标，但具体选择也需要根据任务需求和数据特点进行综合考虑。
多分类准确率（Multi-Class Accuracy）：计算模型在所有类别上预测正确的样本比例。
混淆矩阵（Confusion Matrix）：展示模型在每个类别上的表现，计算各个类别的精确率、召回率、F1 分数等评价指标。
对于转换为二分类的多分类模型，我们可以沿用常用的二分类模型的评价指标，包括准确率（Accuracy）、混淆矩阵（Confusion Matrix）、精确率（Precision）、召回率（Recall）、F1 分数（F1-Score）等，此处不展开介绍。
综合指标
综合指标能够在全局范围内评估多分类模型的性能。在以上的方法中，我们都可以考虑宏平均、微平均和加权平均这几种方法。宏平均适用于各类别重要性相等的情况，微平均在样本不平衡时表现更稳健，而加权平均考虑了不同类别样本数量的差异。