我有一个由大约 30'000 个数据点和 3 个类组成的数据集。班级不平衡（第 1 班大约 5'000，第 2 班大约 10'000，第 3 班大约 15'000）。我正在构建一个用于数据分类的卷积神经网络模型。为了评估，我正在查看 AUC 和 ROC 曲线。因为我有三个班级，所以我必须使用微观或宏观平均。

为了计算微观和宏观平均 AUC 和 ROC 曲线，我使用此处描述的方法：https ://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html 微观平均 AUC / ROC 由下式计算将标签指标矩阵的每个元素视为二元预测，通过计算每个标签的指标来计算宏观平均 AUC / ROC，并找到它们的未加权平均值。在我的情况下，微观平均 AUC 通常高于宏观平均 AUC。

如果我们看一下sklearn.metrics.roc_auc_score它为此编写的average='macro'方法

这没有考虑标签不平衡。

我不确定对于微平均，他们是否使用与上面链接中描述的方法相同的方法。

用于具有类不平衡微平均或宏观平均的数据集更好吗？这意味着哪个指标不受类别不平衡的影响？在我的情况下，微观平均 AUC（0.85）高于宏观平均 AUC（0.79）。当我查看混淆矩阵时，多数类被很好地预测（因为网络可能学会了预测多数类）但少数类的预测很差（几乎与真阳性一样多的假阴性）。所以，总的来说，我认为 AUC 不应该那么高。