4、基础知识：F1分数（F1-Score）的由来、调和平均的意义、计算公式、与准确率/召回率的区别及适用场景

在TinyML模型评估中，准确率（Accuracy）是最直观的指标，但在类别不平衡场景下，它往往会给出误导性的结论。例如，一个检测“设备异常振动”的模型，若异常样本仅占全部数据的1%，模型即使完全不学习，只要将所有样本判为“正常”，准确率也能达到99%。这显然不是我们想要的结果。为了更真实地反映模型在少数类上的表现，我们需要同时关注精确率（Precision）和召回率（Recall），而F1分数正是将两者融合为一个综合指标的经典工具。本节将深入剖析F1分数的数学本质、调和平均的独特意义，以及它在TinyML业务决策中的实际应用边界。

4.1 核心原理：从混淆矩阵到F1的数学推导

要理解F1分数，首先必须建立混淆矩阵（Confusion Matrix）的视角。对于二分类问题，模型预测结果与实际标签组合成四种情况：真正例（TP）、假正例（FP）、假负例（FN）、真负例（TN）。精确率与召回率分别从“预测的可靠性”和“覆盖的完整性”两个维度刻画模型性能。

精确率（Precision）回答的问题是：“模型报警说‘有故障’，这个报警有多可信？”在TinyML场景中，例如关键词唤醒（KWS）系统，精确率低意味着频繁误唤醒，这会严重消耗电池电量并打扰用户。其计算公式为：

Precision = TP / (TP + FP)

召回率（Recall）回答的问题是：“实际发生的故障中，模型找回了多少？”在医疗监测或工业预测性维护中，漏报（FN）的代价可能极高——一个未检测到的异常可能导致设备损坏或安全事故。其计算公式为：

Recall = TP / (TP + FN)

然而，在实际模型调优中，精确率与召回率往往是一对矛盾体。提高精确率（减少误报）通常会降低召回率（增加漏报），反之亦然。F1分数正是为了在这两个指标之间寻找一个平衡点而设计的。它定义为精确率与召回率的调和平均：

F1 = 2 × (Precision × Recall) / (Precision + Recall)

调和平均的数学特性决定了F1分数对较小值更敏感。例如，若P=0.9、R=0.5，算术平均为0.7，而调和平均仅为0.64。这意味着F1分数会“惩罚”那些在某一维度上表现明显偏弱的模型，促使开发者追求两个指标的均衡提升。

4.2 判断方法：F1分数的计算流程与阈值选择

在TinyML模型评估中，计算F1分数并非简单的公式套用，而是涉及一个关键的工程决策——分类阈值的选择。大多数TinyML模型输出的是一个概率分数（如0到1之间的softmax输出），需要设定阈值来决定最终分类结果。阈值的高低直接影响TP、FP、FN、TN的计数，进而影响F1分数。

标准计算流程如下：

1. 收集预测结果：在验证集或测试集上运行模型，记录每个样本的预测概率和真实标签。
2. 设定阈值：默认阈值为0.5，但应根据业务需求调整。例如，在异常检测中，若漏报代价高，应降低阈值以提高召回率。
3. 生成混淆矩阵：根据阈值将概率转为类别，统计TP、FP、FN、TN。
4. 计算P与R：分别代入公式得到精确率和召回率。
5. 计算F1：代入调和平均公式，得到F1分数。

值得注意的是，F1分数是阈值依赖的。同一个模型，在不同阈值下会得到不同的F1值。因此，在模型对比时，应统一阈值设定标准，或使用宏平均F1（对所有类别的F1取平均）和微平均F1（先汇总所有类别的TP/FP/FN再计算）来获得全局视角。对于多分类TinyML任务（如手势识别），通常采用宏平均F1，因为它平等对待每个类别，不受类别样本量影响。

4.3 案例拆解：TinyML振动传感器故障检测中的F1应用

我们以一个实际的TinyML工业场景为例。某工厂在旋转机械上部署了基于ARM Cortex-M4的振动分析节点，用于检测轴承故障。模型输入为1秒的加速度计数据（采样率1kHz），输出为“正常”或“故障”的二分类结果。由于故障发生频率低，数据集中正常样本占95%，故障样本仅占5%。

初始模型表现：开发者使用默认阈值0.5，在测试集上得到以下结果：

• TP = 40（正确检测出40个故障样本）
• FP = 10（误报了10个正常样本为故障）
• FN = 10（漏掉了10个故障样本）
• TN = 940（正确识别了940个正常样本）

计算得到：Accuracy = (40+940)/1000 = 98%，看似优秀。但Precision = 40/50 = 80%，Recall = 40/50 = 80%，F1 = 80%。虽然F1看起来尚可，但考虑到故障样本总共只有50个，漏掉10个意味着20%的故障未被发现，这在工业安全中是不可接受的。

调优过程：团队决定降低阈值至0.3，以提升召回率。新结果：TP = 47，FP = 25，FN = 3，TN = 925。此时Precision = 47/72 = 65.3%，Recall = 47/50 = 94%，F1 = 2×0.653×0.94/(0.653+0.94) = 77.1%。虽然F1略有下降，但漏报从10次降至3次，业务风险显著降低。

业务成本分析：每次漏报（FN）可能导致轴承损坏，维修成本约5000元；每次误报（FP）导致停机检查，成本约200元。原模型总成本 = 10×5000 + 10×200 = 52000元；调优后总成本 = 3×5000 + 25×200 = 20000元。尽管F1从80%降至77.1%，但业务成本降低了61.5%。

4.4 常见误区与总结复盘

在TinyML模型评估实践中，围绕F1分数存在几个高频误区，需要特别注意：

误区一：将F1分数视为万能指标。F1分数假设精确率和召回率同等重要，但在许多业务场景中并非如此。例如，在火灾烟雾检测中，召回率的重要性远高于精确率——误报可以接受，但漏报可能造成灾难。此时应使用Fβ分数（β>1时更重视召回率）或直接以召回率为核心指标。

误区二：忽略阈值对F1的影响。很多开发者直接使用默认阈值0.5计算F1，然后进行模型对比。这可能导致两个模型在各自最优阈值下表现不同，但默认阈值下却得出相反结论。正确做法是绘制P-R曲线，比较曲线下面积（AUC-PR），或使用F1最大值作为模型性能的稳健估计。

误区三：在极端不平衡数据上过度依赖F1。当正类样本极少（如<1%）时，即使F1达到0.9，也可能只是少数几个样本的偶然结果。此时应结合置信区间分析，或使用更稳健的指标如Matthews相关系数（MCC）。

误区四：忽视TinyML特有的资源约束。在MCU上部署时，模型的内存占用和推理延迟与评估指标同等重要。一个F1为0.95但需要1MB闪存的模型，可能不如一个F1为0.90但仅需200KB的模型实用。因此，F1分数必须与模型大小、RAM占用、推理时间等工程指标联合评估。

总结复盘：F1分数是TinyML模型评估中不可或缺的工具，它通过调和平均巧妙地将精确率和召回率统一为一个可比较的标量。然而，它的价值在于“辅助决策”而非“替代决策”。在实际项目中，应遵循以下原则：

1. 始终从混淆矩阵出发，理解FP和FN的具体业务代价。
2. 根据业务场景选择F1、Fβ或直接优化P/R中的单一指标。
3. 在阈值选择上，使用验证集进行网格搜索，找到最优工作点。
4. 将F1分数与模型压缩率、推理延迟、功耗等TinyML特有指标结合，形成多目标评估体系。