机器学习评价指标：Macro Avg 和 Weighted Avg 的区别

在机器学习评价指标中，'macro avg' 和 'weighted avg' 是两种常用的方法来计算多类别分类问题的整体性能指标。

1. 'Macro avg'：它计算每个类别的评价指标（如准确率、召回率、F1值等），然后对所有类别的指标取平均值。在计算 'macro avg' 时，每个类别被视为具有相同的重要性，不考虑类别样本的不平衡情况。因此，'macro avg' 适用于类别样本分布平衡的情况。

2. 'Weighted avg'：它计算每个类别的评价指标，并根据每个类别的样本数量进行加权平均。加权平均考虑了每个类别的样本分布情况，对样本数量多的类别有更大的影响力。因此，'weighted avg' 适用于类别样本分布不平衡的情况。

总结起来，'macro avg' 和 'weighted avg' 的区别在于对待类别样本分布的态度。'Macro avg' 将每个类别看作具有相同的重要性，适用于类别样本分布平衡的情况；而 'weighted avg' 考虑了类别样本分布的不平衡情况，给样本数量多的类别更大的权重，适用于类别样本分布不平衡的情况。