在多类别分类设置中计算准确性和宏分数

Question

我正在研究多类分类问题（总共9个类）。当我想将结果与先前的二进制任务进行比较时，我想知道计算精度和宏分数的方法是否正确。

在下图中显示结果：

基于准确性的定义：the percentage of correctly classified instances

accuracy = (TP + TN)/(TP + TN + FP + FN)

其中TP，FN，FP和TN代表真阳性，假阴性，假阳性和真阴性的数量，以及宏得分的定义：macro-averaged score is computed as a simple arithmetic mean of our per-class scores（有关详细信息，请阅读{ {3}}），对于第1类和第2类，我以以下方式计算了所有这些分数：

class_1_and_2_accuracy = (TP_class_1 + TP_class_2) / len(class_1 + class_2)
class_1_and_2_macro_f_score = (f_score_class_1 + f_score_class_2) / 2

即在计算准确性时，我考虑了第1类和第2类正确预测的实例的总和除以第1类和第2类正确分类和错误分类的实例总数，而对于宏得分（F分数的定义相同，精度和召回率），我计算了1级和2级的算术平均值。

这种说法正确吗？任何见识将不胜感激。