第3章 F1分数定义与数学推导：调和平均数归纳总结
做分类模型评估时，光看准确率往往不够。尤其是正负样本不平衡的场景——比如欺诈检测、罕见病筛查。这时候，精确率（Precision）和召回率（Recall）就成了两个绕不开的指标。但问题来了：两个指标往不同方向走，怎么综合成一个数？F1分数就是答案。它在信息检索、NLP、医疗诊断这些领域几乎是标配。我当年第一次接触时也在想：为什么非要用调和平均数？直接取个平均值不行吗？嗯，这一章我们就把它彻底说透。
3.1 从混淆矩阵说起
在正式推导之前，快速回顾一下基础。混淆矩阵里的四个数字决定了所有分类指标：
| 实际\预测 | 正类（Positive） | 负类（Negative） |
|---|---|---|
| 正类（Positive） | TP（真正例） | FN（假负例） |
| 负类（Negative） | FP（假正例） | TN（真负例） |
- 精确率：P = TP / (TP + FP) —— 预测为正的样本里，有多少猜对了。
- 召回率：R = TP / (TP + FN) —— 真正的正样本里，我们找回了多少。
这两个指标天然存在矛盾。你让模型严格一点，精确率上去了，但可能漏掉很多正样本，召回率就掉下来。反过来放宽阈值，召回率升高，精确率又低了。F1就是把这对矛盾融合成一体的桥梁。
3.2 F1分数的数学定义
F1分数的标准公式长这样：
F1 = 2 * (P * R) / (P + R)这个形式，其实就是精确率和召回率的调和平均数。我第一次看到这个公式时觉得挺简洁，但心里嘀咕：为什么不是 (P+R)/2 这种算术平均？别急，下面我们专门拆解调和平均数的直觉。
核心记忆点：F1只有在P和R都高时才高。如果其中一个很低，哪怕另一个是1，F1也会被拉低。
3.3 调和平均数：为什么不是算术平均？
调和平均数的定义是：对于一组正数x，y，其调和平均数为 2xy/(x+y)。它和算术平均、几何平均有什么区别？
| 平均类型 | 公式 | 特点 |
|---|---|---|
| 算术平均 | (x+y)/2 | 对极端值不敏感，大值拉高整体 |
| 几何平均 | √(x·y) | 偏向小值，但不如调和平均强烈 |
| 调和平均 | 2/(1/x + 1/y) | 最惩罚不均衡，更靠近较小的数 |
举个例子：假如P=1.0（完美精确），R=0.2（召回很低）。算术平均是0.6，而调和平均只有0.333。哪个更合理？你想想看，一个模型说“我找到的都很准，但只找到20%的正样本”，在大多数业务里这种表现根本不能接受。调和平均老实交代了短板，算术平均却粉饰太平。我习惯用F1的另一个原因是：它和我们想要的行为高度一致——模型不能偏科。
3.4 F1分数的推导过程
从历史角度看，F1最早源于信息检索领域。标准的推导从召回率R和精确率P出发，目标是找到一个综合度量，使得：
- 当P=R时，度量等于两个值。
- 度量值受较小值影响更大。
- 形式简单、对称。
把调和平均写成倒数形式：
1/F1 = 1/2 * (1/P + 1/R)这等价于求倒数的算术平均再取倒数。为什么要绕这一步？因为倒数的算术平均在数值上更稳定，且当P或R为0时，调和平均直接为0，不会出现未定义的情况。我在做原始数据清洗时经常遇到P或R为0的极端模型，此时用公式每次都能正确报出0分，而算术平均还给我一个非零值——这不坑人嘛。
实现小技巧：在Python代码里为了避免除零错误，一般先计算分母，单独处理P+R=0的情况：
def f1_score(p, r):
if p + r == 0:
return 0.0
return 2 * p * r / (p + r)3.5 加权变体：Fβ分数
有时候我们对召回率和精确率的重视程度不一样。比如癌症筛查，宁可多召回（甚至误报），也不能漏诊。这时候就需要Fβ分数：
Fβ = (1 + β²) * (P * R) / (β² * P + R)其中β用来控制召回率的权重：
- β = 1 → F1，同等重要
- β = 2 → F2，召回率权重更高
- β = 0.5 → F0.5，精确率权重更高
表里总结一下：
| β值 | 名称 | 偏向 | 常见场景 |
|---|---|---|---|
| 0.5 | F0.5 | 精确率 | 搜索结果质量 |
| 1 | F1 | 平衡 | 通用二分类 |
| 2 | F2 | 召回率 | 医疗筛查、欺诈检测 |
我曾经遇到的坑：有一回用F2评估模型，β=2，结果模型为了追求高召回率，几乎把所有样本都判为正类，精确率掉到0.1。F2值虽然看起来还行（0.18），但实际业务无法接受。后来我改成同时监控P和R，不让单个指标蒙蔽双眼。记住：Fβ只是辅助，不能替代人工审查P和R的绝对值。
3.6 知识体系图解
下面这张SVG图把F1分数的核心逻辑、三个平均数的对比、以及加权变体串在一起，方便你整体把握：
我的个人习惯：在项目初期，我会同时看F1和F2。如果F1和F2差距很大，就说明P和R严重不均衡，需要调整阈值或做数据增强。有一次在命名实体识别任务中，F1=0.82但F2只有0.75，我发现召回率拖了后腿，于是重点改进了未登录词的处理逻辑，最后F1升到了0.87。你看，多一个视角就能发现问题。
总结一下这章内容：F1分数本质上就是精确率和召回率的调和平均数。它用最直接的方式惩罚了偏科模型，是二分类问题中衡量整体性能的可靠单值指标。掌握调和平均数的数学直觉，你就能在实战中快速判断什么时候用F1，什么时候用Fβ，以及如何向业务方解释为什么F1比准确率更靠谱。好了，接下来我们开始做练习题，记得亲手算一遍混淆矩阵里的F1值。