4. Fβ-Score 与加权 F1：平衡的艺术
说到分类模型的评价，F1 值大家肯定不陌生。但现实问题里，精确率和召回率的重要性能完全一样吗？
我个人习惯用 Fβ-Score 来解决这个矛盾。说白了，就是给它一个「偏心」参数 β，让你自己决定更看重哪一头。这一章我就带你把 β 参数、宏/微/加权平均这些概念彻底理清楚。
4.1 Fβ-Score 公式与 β 的含义
先看标准定义：
Fβ = (1 + β²) × (Precision × Recall) / (β² × Precision + Recall)这个公式里 β 是个大于 0 的实数。β 的作用是什么？我拆开给你看：
| β 取值 | 偏向 | 业务场景举例 |
|---|---|---|
| β < 1 | 更看重精确率 | 垃圾邮件过滤（误拦比漏过更严重） |
| β = 1 | 精确率=召回率，即标准 F1 | 一般平衡场景 |
| β > 1 | 更看重召回率 | 癌症筛查（漏诊比误诊更危险） |
β 越大，召回率的权重越高。我曾经在一个项目里需要设计医疗图像检测模型，漏诊率要求极低，当时直接把 β 设成了 2，效果明显比 F1 更贴近业务目标。
4.2 多分类下的 Fβ：三种平均方式
单二分类用 Fβ 很简单。但到了多分类（比如识别猫、狗、鸟），就要算每个类别的 Fβ，然后做平均。教科书上给了三种方式：宏平均、微平均、加权平均。我当年刚接触时也被绕晕过，咱们一个个说。
4.2.1 宏平均（Macro Average）
先分别算每个类别的 Fβ，再直接取算术平均。举个例子，三类：
Fβ_cat = 0.85
Fβ_dog = 0.72
Fβ_bird = 0.90
宏平均 Fβ = (0.85 + 0.72 + 0.90) / 3 = 0.823宏平均给了每个类别相同的权重——哪怕某个类样本极少，也和样本多的类一样重要。这种做法在小类上很敏感，如果某个类本来就难分，宏平均会被明显拉低。
4.2.2 微平均（Micro Average）
微平均把所有类别的 TP、FP、FN 先汇总，再统一算 Fβ。公式如下：
Micro Precision = ΣTP / (ΣTP + ΣFP)
Micro Recall = ΣTP / (ΣTP + ΣFN)
Micro Fβ = (1+β²) × (Micro P × Micro R) / (β² × Micro P + Micro R)你想想看，微平均其实受大类的支配。因为我有一个三分类问题，猫的样本占了 90%，狗和鸟各 5%。微平均 Fβ 几乎就被猫的表现决定了，狗和鸟好不好根本没权重。
我遇到过一位同事，发现模型精确率 98%，但用宏平均一算只有 65%，原来是把大类做得好、小类全挂了。微平均在严重不平衡时容易欺骗你。
4.2.3 加权平均（Weighted Average）
加权平均是宏平均的改良版。每个类别按样本数占比加权：
加权 Fβ = Σ(类别权重 × Fβ_i)
其中 类别权重 = 该类样本数 / 总样本数回到刚才的例子，猫占 90%，狗 5%，鸟 5%。假如 Fβ 分别是 0.98、0.50、0.40：
加权 Fβ = 0.90×0.98 + 0.05×0.50 + 0.05×0.40 = 0.882 + 0.025 + 0.020 = 0.927这个值更接近真实业务中整体感知的质量——毕竟大部分预测是对猫进行的。加权平均是 scikit-learn 里很多函数的默认选项，嗯，这里有讲究的。
4.3 三者对比一览
| 指标 | 计算方式 | 对不平衡的态度 | 推荐场景 |
|---|---|---|---|
| 宏平均 | 各类 Fβ 等权平均 | 小类影响大 | 每个类别同等重要 |
| 微平均 | 汇总混淆矩阵再算 | 大类主导 | 整体预测质量（忽略小类） |
| 加权平均 | 各类 Fβ 按样本比例加权 | 折中，偏向大类 | 实际业务上线首选 |
我个人的习惯是：拿到一个多分类任务，先同时算出这三种平均，比较差异。如果宏平均远低于加权平均，基本可以断定小类出了问题。这时候我就会进一步检查每个类别的混淆矩阵。
4.4 代码示例：用 sklearn 计算 Fβ 与三种平均
下面这段代码我用的是 scikit-learn 的 fbeta_score 函数，可以非常方便地指定 β 和 average 参数：
from sklearn.metrics import fbeta_score, classification_report
y_true = [0, 0, 0, 0, 0, 1, 1, 1, 2, 2] # 0:90%的猫, 1:狗, 2:鸟
y_pred = [0, 0, 0, 0, 0, 1, 1, 2, 2, 0] # 故意把鸟误判为猫
# F2 召回率更重要
macro_f2 = fbeta_score(y_true, y_pred, beta=2, average='macro')
micro_f2 = fbeta_score(y_true, y_pred, beta=2, average='micro')
weighted_f2 = fbeta_score(y_true, y_pred, beta=2, average='weighted')
print(f"Macro F2: {macro_f2:.3f}")
print(f"Micro F2: {micro_f2:.3f}")
print(f"Weighted F2: {weighted_f2:.3f}")
# 更详细的分类报告
print("\n分类报告（F1 基准）:")
print(classification_report(y_true, y_pred, digits=3))输出的结果你就看到了：宏平均因为鸟（2类）的 F1 极低被拉了很多；微平均由于猫类大量正确而很高；加权平均介于之间。这个差异正是我们前面讨论的。
4.5 一张图总结本章知识体系
下面我把 Fβ-Score 与三种平均的关系画成了一个流程图，方便你一眼看清脉络。
4.6 避坑指南与个人经验
我见过不少新手直接调用 f1_score(y_true, y_pred, average='macro') 就交差。嗯，这其实挺危险的。说说我踩过的坑：
- 曾经在做垃圾短信分类时，我用了宏平均 F1 来选模型，结果选出了一个对正常短信误杀率极低的模型，但垃圾短信的召回率也低得可怜——因为宏平均里两类权重一样，正常短信数量大但权重被“虚高”了。后来改成加权平均才找到真正适合业务的那个模型。
- 还有一个教训：在医学影像多标签分类中，我用微平均 F2（β=2）来评估，结果模型对罕见病变几乎没检出，但微平均被主流标签的召回率拉高，看上去绩效很好——直到上会后被医生质疑。从那以后，我每次都会同时打印宏平均和加权平均，并在报告里标注样本分布。
- 报告实验时：同时输出宏平均、加权平均、每个类的 Fβ，以及样本数。
- 业务选型：使用加权平均 + 合适的 β（β 值根据业务对漏报/误报的容忍度定）。
- 调试阶段：关注宏平均的波动，它能快速暴露小类问题。
4.7 小结
Fβ-Score 给了你一把调节精确率与召回率的旋钮，而宏/微/加权平均则是把多分类结果汇总成单一数字的三种不同视角。没有哪个永远是“最好”的，关键是你得知道自己当前的任务想强调什么。