4、F1分数的局限性：为什么F1不是万能的，以及Macro-F1与Micro-F1的区别
各位好，咱们今天聊聊F1分数。
说实话，我刚入行那会儿，觉得F1分数简直是神一样的存在。准确率不够？召回率不行？没关系，F1帮你平衡。但后来在几个真实项目里摔了跟头，我才意识到——F1也不是万能的。
嗯，咱们今天就把这事掰扯清楚。
4.1 先回顾一下：F1到底是什么？
F1分数，说白了就是精确率（Precision）和召回率（Recall）的调和平均数。公式很简单：
F1 = 2 * (Precision * Recall) / (Precision + Recall)为什么用调和平均，不用算术平均？
我举个例子你就明白了。假设你的模型精确率是1.0（完美），召回率是0（一个正例都没找出来）。算术平均是0.5，听起来还行。但调和平均呢？直接是0。这才是真实水平——一个啥都找不出来的模型，凭什么得高分？
核心要点：调和平均对极端值更敏感。只有两个指标都高，F1才会高。这其实是它的优点，但也是局限性的来源。
4.2 F1的第一个坑：它假设精确率和召回率同等重要
我在做医疗影像项目时遇到过一个问题。我们要检测的是早期肿瘤，漏诊的代价远高于误诊。你想想看，漏掉一个病人，可能耽误治疗时机；但多标几个可疑区域，医生再复查一遍就行了。
这时候，召回率比精确率重要得多。但F1默认把它们当成一样重要，这就尴尬了。
所以后来我们引入了Fβ分数，给召回率更高的权重：
Fβ = (1 + β²) * (Precision * Recall) / (β² * Precision + Recall)β > 1 时，召回率权重更高。β < 1 时，精确率权重更高。
我的建议：别死磕F1。先想清楚你的业务场景里，漏掉和误报哪个代价更大，再选合适的指标。
4.3 F1的第二个坑：它不关心真实负例
这个坑我踩过。有一次做垃圾邮件分类，数据里99%是正常邮件，只有1%是垃圾邮件。模型学了个偷懒的办法——把所有邮件都判成正常。结果呢？
- 精确率：垃圾邮件的精确率是0（因为一个都没抓到）
- 召回率：垃圾邮件的召回率是0
- F1：0
看起来F1很低，模型很差对吧？但整体准确率是99%！
问题出在哪？F1只看正类（垃圾邮件），完全忽略了模型正确识别出的那99%的正常邮件。说白了，它只关心你抓没抓到坏人，不关心你有没有冤枉好人。
注意：在极度不平衡的数据集上，F1可能会给你一个片面的印象。建议同时看混淆矩阵和各类别的详细指标。
4.4 多分类场景：Macro-F1 vs Micro-F1
好，现在问题升级了。假设我们有三个类别：猫、狗、兔子。模型在三个类别上的表现如下：
| 类别 | 精确率 | 召回率 | F1 | 样本数 |
|---|---|---|---|---|
| 猫 | 0.90 | 0.85 | 0.87 | 1000 |
| 狗 | 0.80 | 0.75 | 0.77 | 100 |
| 兔子 | 0.70 | 0.60 | 0.65 | 10 |
现在问题来了：怎么算整体的F1？
Macro-F1：每个类别一视同仁
Macro-F1的做法很简单：先算出每个类别的F1，然后取算术平均。
Macro-F1 = (0.87 + 0.77 + 0.65) / 3 = 0.763你看，兔子只有10个样本，但它的F1和猫（1000个样本）的F1权重一样。这公平吗？
我个人觉得，这取决于你的目标。如果你关心的是每个类别都要表现好，哪怕是小众类别，那Macro-F1就合适。比如在罕见病诊断中，你不能因为病例少就不重视。
Micro-F1：按样本量加权
Micro-F1的做法不同。它先把所有类别的TP、FP、FN加起来，然后统一算精确率和召回率，最后算F1。
说白了，就是把所有预测结果堆在一起，当成二分类来算。
Micro-F1 = 2 * (Micro-Precision * Micro-Recall) / (Micro-Precision + Micro-Recall)在这个例子里，因为猫的样本占了绝大多数，Micro-F1会非常接近猫的F1（0.87左右），远高于Macro-F1的0.763。
关键区别：Macro-F1对少数类更敏感，Micro-F1被多数类主导。选哪个，取决于你更关心哪一类。
4.5 什么时候用Macro，什么时候用Micro？
我总结了一个简单的判断方法：
- 类别均衡，或者每个类别都重要 → 用Macro-F1
- 类别严重不平衡，且多数类更重要 → 用Micro-F1
- 想同时看两个角度 → 两个都算，对比着看
我曾经在一个电商分类项目里，两个指标差了0.15。Macro-F1只有0.72，Micro-F1是0.87。一查才发现，有个小众品类（只占0.5%的数据）模型完全没学会。Macro-F1暴露了这个问题，Micro-F1把它掩盖了。
避坑指南：我曾经只看Micro-F1就上线了模型，结果小众品类的用户投诉率飙升。从那以后，我养成了同时看两个指标的习惯。
4.6 还有哪些替代方案？
除了F1，我常用的还有：
- 加权F1（Weighted-F1）：算每个类别的F1，然后按样本数加权平均。比Macro更公平，比Micro更敏感。
- Kappa系数：考虑了随机一致性的影响，适合评估分类器是否真的比瞎猜强。
- Matthews相关系数（MCC）：在极度不平衡数据上表现更好，能同时考虑四类预测结果。
说白了，没有完美的指标。每个指标都有自己的盲区。我的习惯是：
- 先看混淆矩阵，了解全局
- 再看各类别的精确率和召回率
- 最后选一个或两个综合指标做对比
嗯，今天就聊到这儿。记住一句话：F1是个好工具，但不是万能钥匙。选指标之前，先想清楚你的业务到底关心什么。