3. F1分数与调和平均：F1的数学含义与适用场景
聊完了精确率和召回率，你可能会问：能不能把这两个指标揉到一起看？
项目汇报的时候，老板只看一个数。你不能说“精确率0.9，召回率0.3”，老板会问“到底行不行”。
这时候，F1分数就登场了。
说实话，我刚开始接触评估指标那会儿，觉得F1就是个简单的平均。后来在项目里吃了亏才发现——这玩意儿是个调和平均，不是算术平均。这里面门道不少。
3.1 调和平均的直觉
先问你一个问题：有两个数，一个是90，一个是10。它们的算术平均是多少？
很简单：(90+10)/2 = 50。
那调和平均呢？
我直接给公式吧：
调和平均 = 2 / (1/90 + 1/10)
= 2 / (0.0111 + 0.1)
= 2 / 0.1111
= 18看到了吗？18！
算术平均给你50，调和平均只给了18。差距非常大。
原因很简单：调和平均对小的数值极度敏感。一个数掉下去，整体就被拖垮了。这恰恰是我们评估分类器时想要的效果。
核心理解：F1不是简单地在精确率和召回率之间取中间值。它是用调和平均把两者绑在一起——只要其中一个表现差，F1就会很低。这种“低值惩罚”机制让F1成为一个非常严格的综合指标。
3.2 F1的数学定义
F1分数的标准公式长这样：
F1 = 2 × (Precision × Recall) / (Precision + Recall)说白了，这就是精确率和召回率的调和平均。你可以把它理解成一个“木桶”——两块板子都不能短。
举个例子，我做个宏基因组的物种分类模型：
| 指标 | 数值 |
|---|---|
| 精确率 (Precision) | 0.95 |
| 召回率 (Recall) | 0.50 |
| 算术平均 | 0.725 |
| F1 (调和平均) | 0.655 |
你看，算术平均给了0.725，看起来还可以。但F1只有0.655，因为召回率太差了。F1在告诉你：“别高兴太早，你的召回率不行。”
嗯，这里要注意：F1的取值范围是[0, 1]。1是完美，0是最差。当精确率和召回率都是0时，公式分母为0——我们通常直接定义F1=0。
3.3 为什么不是算术平均？
我自己习惯用下面这个对比来理解为什么F1要用调和平均：
| 平均类型 | 公式 | 对低值的敏感度 | 适用场景 |
|---|---|---|---|
| 算术平均 | (a + b) / 2 | 低 (一个值高就能拉高平均) | 两个指标独立、同等重要 |
| 几何平均 | √(a × b) | 中 | 指标之间存在乘积关系 |
| 调和平均 | 2 / (1/a + 1/b) | 高 (低值拖累严重) | 指标必须同时良好 |
为什么选调和平均？你想啊，一个分类器如果精确率很高但召回率很低，说明它只敢预测少数几个样本，其他全漏掉了。这样的模型生产环境根本没法用。调和平均会狠狠“惩罚”这种偏科生。
我的经验：在宏基因组的物种丰度预测中，我见过一个模型精确率0.95，召回率只有0.2。如果只看精确率，觉得模型神了。但F1只有0.33，一下子就暴露了问题——它只识别了少数几个物种，其他全漏了。F1告诉你要去提升召回率，而不是继续优化精确率。
3.4 什么时候用F1？
不是所有场景都该用F1。我给你总结几个情况：
- 数据不平衡时：负样本是正样本的100倍。这时候准确率很高，但模型可能是“废物”——全预测成负样本就行。F1能压制这种幻觉。
- 精确率和召回率同等重要时：比如宏基因组里的致病菌筛选，漏检和误报都是大问题。你需要一个模型两边都做得好。
- 项目汇报只允许一个指标时：嗯，现实就是这样。老板只看一个数。F1是最诚实的那个。
但也有一些场景不要用F1：
- 假阳性代价极高时：比如诊断癌症确诊。宁可漏检也不能误报。这时候应该优先看精确率，而不是F1。
- 假阴性代价极高时：比如早期病变筛查。宁可误报也不能漏掉一个。这时候应该死磕召回率。
我曾经踩过的坑：在做一个药物靶点识别项目时，我一股脑优化F1。结果模型在验证集上F1=0.85，但是上线后假阳性太多，湿实验验证成本直接翻了三倍。事后复盘发现——假阳性的代价远高于假阴性，我根本不该用F1当核心指标，应该盯住精确率不放。后来我把精确率阈值从0.5提到0.8，F1降到了0.7，但湿实验通过率从20%提升到了80%。
教训：选指标前，先想清楚你的业务代价。
3.5 F1与混淆矩阵的关系
F1天然和混淆矩阵绑定。我给你写个计算示例：
# 假设混淆矩阵
TP = 45
FP = 5
FN = 10
TN = 40
# 计算精确率
precision = TP / (TP + FP) # 45 / 50 = 0.9
# 计算召回率
recall = TP / (TP + FN) # 45 / 55 = 0.818
# 计算F1
f1 = 2 * (precision * recall) / (precision + recall)
# = 2 * (0.9 * 0.818) / (0.9 + 0.818)
# = 2 * 0.736 / 1.718
# = 0.857你看，F1最终是0.857。比精确率低，比召回率高——它找到了一个平衡点。
我个人建议记住这三个公式的对应关系：
| 指标 | 公式 | 混淆矩阵中的来源 |
|---|---|---|
| 精确率 | TP / (TP + FP) | 第一列（预测为正类的样本） |
| 召回率 | TP / (TP + FN) | 第一行（实际为正类的样本） |
| F1 | 2 × P × R / (P + R) | 同时依赖TP、FP、FN |
下面这张SVG图展示了F1分数的核心思想——调和平均如何平衡精确率和召回率：
3.6 F1的变体与扩展
标准的F1是精确率和召回率的调和平均。但有时候我们需要对精确率或召回率“偏心”一点。
这时候就要用Fβ分数：
Fβ = (1 + β²) × (Precision × Recall) / ((β² × Precision) + Recall)- β = 1：标准F1，精确率和召回率同等重要。
- β < 1：更看重精确率。比如你特别在意预测的准确性，宁可不预测也不要乱预测。
- β > 1：更看重召回率。比如你宁愿多预测几个假的，也要把真的全部找出来。
实际使用建议：我一般在做宏基因组的丰度预测时，默认用F1。但如果某个物种特别稀有，漏检代价极高，我会把β调到1.5或2，让召回率重要性更高。说白了，就是手动调整模型对漏检的“紧张程度”。
3.7 小结：F1的“使用说明书”
最后，我给你画个重点清单：
- F1是调和平均，不是算术平均。它对低值极度敏感。
- F1=1：完美分类器。F1=0：完全失效。
- 适用场景：不平衡数据、精确率和召回率同等重要、项目汇报只需要一个数。
- 不适合场景：某类错误的代价远高于另一类时（比如医疗确诊 vs. 初筛）。
- 变体Fβ：需要偏心时，调整β值。
嗯，说白了F1就是一个“不能偏科”的纪律委员。它会盯着你说：精确率和召回率，两个一起进步才行。
我个人习惯在项目初期先用F1摸清模型底线，确认模型“没有明显短板”之后，再根据业务需求调整到精确率或召回率优先。这套策略我一直用到现在，基本没翻过车。