3. F1分数详解：调和平均的原理
3.1 调和平均：为什么算术平均不适合不平衡数据
评估分类模型时，我们经常需要同时考虑精确率（Precision）和召回率（Recall）。直接取它们的算术平均（即简单相加除以2）会掩盖一方的缺陷——若某个类别分类极差而另一个表现良好，两者数值相加可能仍偏高。调和平均（Harmonic Mean）能对极端差异更敏感，从而更准确地反映模型真实能力。
📐 核心公式对比
算术平均：\( \frac{P + R}{2} \) —— 均衡取值，但不能惩罚极端差异。
调和平均：\( \frac{2PR}{P + R} \) —— 当P或R一方很低时，F1会急剧下降。
算术平均：\( \frac{P + R}{2} \) —— 均衡取值，但不能惩罚极端差异。
调和平均：\( \frac{2PR}{P + R} \) —— 当P或R一方很低时，F1会急剧下降。
生活类比：通勤速度
- 上班去程：60 km/h（快），回程：20 km/h（慢）
- 算术平均：(60 + 20) / 2 = 40 km/h
- 调和平均：2 × 60 × 20 / (60 + 20) = 30 km/h
- 实际有效速度：整体时间/总距离，更接近30 km/h——调和平均更好地反映了“慢速回程”带来的瓶颈效应。
在分类场景中，精确率低意味着模型预测的“正类”中有大量误判；召回率低意味着很多真正正类未被识别。F1分数用调和平均同时惩罚这两个方向，确保模型在两个指标上都合格。
3.2 Fβ分数：让精确率或召回率承担更大权重
F1默认认为P和R同等重要。但实际场景中，两者重要性往往不同：
- 癌症筛查：宁可误检（低精确率）也不漏诊（高召回率更重要）
- 垃圾邮件过滤：宁可漏掉（低召回率）也不能误删正常邮件（高精确率更重要）
Fβ分数引入一个参数β，控制召回率相对于精确率的权重：
Fβ = (1 + β²) × P × R / (β² × P + R)| β值 | 含义 | 适用场景举例 |
|---|---|---|
| β < 1 | 更偏重精确率（P更重要） | 推荐系统、内容审核、垃圾邮件过滤 |
| β = 1 | 精确率和召回率同等重要 | 大多数平衡场景的默认选择 |
| β > 1 | 更偏重召回率（R更重要） | 医疗诊断、金融欺诈检测、安全漏洞扫描 |
💡 记忆技巧：
β就是“强调Recall”的系数。β² ≈ 1 时权重持平；β² < 1 时强调Precision；β² > 1 时强调Recall。
β就是“强调Recall”的系数。β² ≈ 1 时权重持平；β² < 1 时强调Precision；β² > 1 时强调Recall。
3.3 多分类中的宏F1与微F1
当类别超过两类时，我们需要将F1扩展到多分类场景。两种主流聚合方式：
宏F1（Macro F1）
- 先为每个类别单独计算F1分数。
- 再对所有类别的F1取算术平均。
- 每个类别权重相同，不受样本数量影响。
Macro F1 = (F1_class1 + F1_class2 + ... + F1_classN) / N优点：对少数类敏感，能暴露类别不平衡问题。
缺点：若某类样本极少，其F1波动可能极大。
微F1（Micro F1）
- 全局统计所有类别的总TP、总FP、总FN。
- 再计算全局精确率和全局召回率。
- 最后代入F1公式。
全局P = ΣTP / (ΣTP + ΣFP)
全局R = ΣTP / (ΣTP + ΣFN)
Micro F1 = 2 × 全局P × 全局R / (全局P + 全局R)优点：受大样本类影响大，结果更稳定。
缺点：容易掩盖少数类的低劣表现。
| 特性 | 宏F1 | 微F1 |
|---|---|---|
| 聚合方式 | 先分别求各类F1，再平均 | 先全局聚合TP/FP/FN，再求F1 |
| 每类权重 | 相等（不考虑样本数） | 与样本数成比例 |
| 对少数类 | 敏感（可能波动大） | 不敏感（大样本占主导） |
| 推荐用法 | 评估类别均衡模型，或少数类重要时 | 类别分布极度不均，关注整体表现时 |
⚠️ 常见误区：
1. 宏F1≠所有类别F1的简单平均——确实是算术平均，但需要确保每个类别都有有效计算。
2. 微F1≈全局准确率？不对。微F1基于精确率和召回率，而准确率基于TP+TN占全体比例。当分类完全均衡且无TN概念（某些多分类设定）时，两者可能接近，但本质不同。
3. 不应该同时报告宏F1和微F1两份截然不同的结果？应该同时报告，以便从“类别平等”和“样本平等”两个视角评估模型。
1. 宏F1≠所有类别F1的简单平均——确实是算术平均，但需要确保每个类别都有有效计算。
2. 微F1≈全局准确率？不对。微F1基于精确率和召回率，而准确率基于TP+TN占全体比例。当分类完全均衡且无TN概念（某些多分类设定）时，两者可能接近，但本质不同。
3. 不应该同时报告宏F1和微F1两份截然不同的结果？应该同时报告，以便从“类别平等”和“样本平等”两个视角评估模型。
3.4 练习题：巩固理解
- 场景计算：某疾病检测模型，精确率=0.90，召回率=0.40，计算F1分数和F2分数。哪个更适合该场景？
- 多分类F1：三类别任务，各类F1为0.8/0.3/0.9，样本数分别为1000/10/900。计算宏F1和微F1，并解释为何差异显著。
- 权重选择：电商平台商品审核系统，漏掉违规商品（低召回率）会导致巨额罚款，而误删正常商品（低精确率）只会影响少数商家体验。应选择β<1还是β>1的Fβ分数？
3.5 应用边界与注意事项
- 极长尾分类：当存在大量罕见类别时，宏F1的稳定性急剧下降，可考虑分层或加权变体。
- 非对称成本：Fβ分数在β固定后无法动态反映成本变化，如需更灵活的成本敏感评估，应使用自定义损失函数或效益曲线。
- 不连续业务决策：F1分数是一个连续指标，不代表最佳决策阈值。建议结合成本-收益分析，寻找实际最优阈值。
- 与RICE流程的结合：在评估环节，根据任务重要性选择F1/Fβ，再与Impact、Confidence、Effort组合，得到优先级排序。