从混淆矩阵到性能指标：深入解析多分类场景下的TP、FP、FN、TN与宏/微平均计算

1. 从二分类到多分类：理解混淆矩阵的核心概念

第一次接触机器学习分类问题时，很多人都是从二分类场景入手的。比如判断邮件是否为垃圾邮件，或者诊断患者是否患病。这时候的混淆矩阵非常简单，只有四个格子：TP、FP、FN、TN。但当我第一次遇到10个类别的图像分类任务时，突然发现原来的理解完全不够用了——每个类别的预测结果都需要单独计算，整个评估过程变得复杂得多。

让我们从一个实际案例开始。假设我们正在开发一个水果识别系统，需要区分苹果、香蕉和橙子三类。对于"苹果"这个类别来说：

• TP（真正例）：模型预测为苹果且确实是苹果的样本
• FP（假正例）：模型预测为苹果但实际是香蕉或橙子的样本
• FN（假负例）：实际是苹果但被预测为香蕉或橙子的样本
• TN（真负例）：实际不是苹果且预测也不是苹果的样本

这里有个容易混淆的点：TN的计算。在多分类中，TN不是简单地"预测为负类"，而是"预测为其他所有类别"。比如对于苹果类别，预测为香蕉或橙子都算作"不是苹果"。

我曾经在一个电商商品分类项目中犯过错误：误以为TN就是模型预测为"明确否定"的样本。实际上，在多分类里，TN更像是"非此即彼"的概念。理解这点后，再看混淆矩阵就清晰多了。

2. 多分类场景下的性能指标计算

2.1 单类别指标计算

当我们有了每个类别的TP、FP、FN、TN后，就可以计算各类指标了。以准确率为例，很多人以为多分类的准确率就是所有类别准确率的平均值，这其实是个常见误区。

准确率的正确定义是：

code复制总正确预测数 / 总样本数 
= (TP₁ + TP₂ + ... + TPₖ) / N

其中k是类别数，N是总样本数。也就是说，它直接看模型在所有类别上的整体正确率。

但在实际项目中，我发现单纯看准确率会掩盖很多问题。比如在一个医学影像分类项目中，某些罕见病的识别准确率可能很低，但因为样本量少，对整体准确率影响很小。这时候就需要更细致的指标：

• 精确率（Precision）：预测为该类别的样本中，确实属于该类别的比例

  code复制Precision = TP / (TP + FP)
  

• 召回率（Recall）：实际属于该类别的样本中，被正确预测的比例

  code复制Recall = T