我应该基于微观平均评估还是宏观平均评估措施做出决策？

我对具有相同数据集的不同二进制分类算法进行了10倍交叉验证，并获得了微观和宏观平均结果。应该提到的是，这是一个多标签分类问题。

在我的情况下，真负数和真正数的权重相等。这意味着正确预测真实负值与正确预测真实正值同样重要。

微观平均指标低于宏观平均指标。这是神经网络和支持向量机的结果：

我还使用另一种算法对同一数据集进行了百分比分割测试。结果是：

我希望将百分比拆分测试与宏观平均结果进行比较，但这公平吗？我不认为宏观平均结果会偏误，因为真实的正数和真实的负数的权重相等，但是再说一次，我想知道这是否与将苹果与桔子进行比较相同？

更新

基于这些评论，我将展示如何计算微观和宏观平均值。

我要预测144个标签（与要素或属性相同）。计算每个标签的精度，召回率和F量度。

---------------------------------------------------
LABEL1 | LABEL2 | LABEL3 | LABEL4 | .. | LABEL144
---------------------------------------------------
   ?   |    ?   |    ?   |   ?    | .. |     ?
---------------------------------------------------

考虑二进制评估度量B（tp，tn，fp，fn），该度量是基于真实肯定（tp），真实否定（tn），错误肯定（fp）和错误否定（fn）计算的。特定度量的宏观和微观平均值可以计算如下：

使用这些公式，我们可以计算出微观和宏观平均值，如下所示：

因此，微平均测度将所有tp，fp和fn（针对每个标签）相加，然后进行新的二进制评估。宏平均度量将所有度量（精度，召回率或F度量）相加并除以标签数，这更像是平均值。

现在，问题是使用哪个？

如果您认为所有标签的大小大致相同（实例数量大致相同），请使用任意标签。

如果您认为有与比别人更多的实例标签，如果你想给你的偏见对指标最填充的，使用MICROMEDIA。

如果您认为有与比别人更多的实例标签，如果你想给你的偏见对指标的最少人口的人（或者至少你不想向人口最多的那些偏差），使用Macromedia的。

如果微型媒体的结果明显低于宏媒体的结果，则意味着您在人口最多的标签中存在严重的分类错误，而较小的标签可能已正确分类。如果Macromedia的结果比MICROMEDIA一个显著降低，这意味着你的小标签分类很差，而你的较大的可能是正确分类。

如果您不确定该怎么做，请继续进行微观平均值和宏观平均值的比较：)

这是关于这个主题的好论文。