第4章 F1分数：调和平均的意义
讲完了精确率和召回率，你可能会问：有没有一个指标能同时照顾两边？
有，就是F1分数。
我个人习惯管它叫“调和平均下的综合分”。
调和平均到底调和了什么？
先看一个简单例子。有两个数：0.9和0.1。
- 算术平均：(0.9+0.1)/2 = 0.5
- 几何平均：√(0.9×0.1) ≈ 0.3
- 调和平均：2/(1/0.9+1/0.1) ≈ 0.18
看到了吗？调和平均被0.1那个小值严重拉低。这正是我们想要的——如果精确率很高但召回率很低，或者反过来，这个模型其实不可用。调和平均会狠狠地惩罚这种偏科。
公式很简洁：
F1 = 2 × (Precision × Recall) / (Precision + Recall)本质上就是精确率和召回率的调和平均。
我在项目里见过不少团队只看精确率，结果召回率掉到0.2，业务方直接炸毛。用F1就能有效避免这种自欺欺人。
F1的一个小陷阱
嗯，注意，如果精确率和召回率都是0，公式分母是0，代码里会报除零错误。sklearn的处理方式是填0。但如果你自己手写，记得加个epsilon。
def f1_score(p, r):
if p + r == 0:
return 0.0
return 2 * p * r / (p + r)Fβ：给精确率和召回率加权重
有时候我们更在意其中一方。比如癌症筛查，宁可误报也不能漏掉（更看重召回率）。反之，垃圾邮件过滤，宁可放过几封垃圾邮件，也别误删正常邮件（更看重精确率）。
这时候就轮到Fβ上场了：
Fβ = (1 + β²) × (Precision × Recall) / (β² × Precision + Recall)β控制召回率的权重：
- β=1 → F1，两者平衡
- β＜1 → 更看重精确率（比如β=0.5）
- β＞1 → 更看重召回率（比如β=2）
多分类下的麻烦：宏平均 vs 微平均
二分类问题只有一个F1。但多分类呢？每个类别都有一个精确率和召回率，怎么合成一个数字？
两种主流做法：宏平均（Macro）和微平均（Micro）。
| 对比项 | 宏平均（Macro） | 微平均（Micro） |
|---|---|---|
| 计算方法 | 对每个类别算F1，然后算术平均 | 把所有类别的TP/FP/FN加起来，统一算一个F1 |
| 对类别数量的敏感性 | 每个类别权重相同，小类和大类平等 | 大类主导，小类很容易被淹没 |
| 适用场景 | 类别均衡，希望每个类都被同等重视 | 样本极不平衡时，更关心整体表现 |
| 风险 | 小类别性能差但平均后还是高，可能虚高 | 大类别做得好就掩盖了小类的糟糕 |
我举个实际例子。假设3个类别：A有900个样本，B有90个，C有10个。模型在A上F1=0.95，在B上F1=0.5，在C上F1=0.0。
Macro F1 = (0.95 + 0.50 + 0.00) / 3 = 0.483
Micro F1 = 先把混淆矩阵合计
全局TP = A的TP + B的TP + C的TP
全局FP = A的FP + B的FP + C的FP
全局FN = A的FN + B的FN + C的FN
然后带入公式 2TP/(2TP+FP+FN) = 0.92 （假设A表现很好）你看，Micro F1高达0.92，但C类一个都没识别对。这个指标就失真了。反过来，Macro F1只有0.483，更诚实地反映了对少数类的失败。
动手算一算：sklearn里的用法
其实sklearn一行搞定：
from sklearn.metrics import f1_score, fbeta_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
# F1 宏平均
print(f1_score(y_true, y_pred, average='macro'))
# F1 微平均
print(f1_score(y_true, y_pred, average='micro'))
# F2 宏平均（β=2）
print(fbeta_score(y_true, y_pred, beta=2, average='macro'))记得传入标签一定要从0开始连续索引，否则参数得补labels。
一张图理清关系
说到这里，其实核心就一句话：F1是精确率和召回率的调和平均，调和平均对低值很敏感，所以F1会诚实地反映两者中的短板。Fβ让你能调节偏向哪一边；多分类里宏平均与微平均的选择取决于你更关心每个类还是整体。
下次别人问你模型好不好，别只丢一个F1。先把精确率和召回率亮了，再给F1，最后说明是宏平均还是微平均——这样才显得专业。