F1值细分类
F 1-macro 与 F 1 的区别及适用场景
1. 基础概念
- F 1 Score：精确率（Precision）和召回率（Recall）的调和平均数，公式为：
适用于二分类或不平衡数据，综合衡量模型对正类的识别能力。
- F 1-macro：多分类任务中，先计算每个类别的 F 1 值，再取算术平均。
公式：
（
- F 1-micro：全局统计 TP、FP、FN，再计算整体 F 1 值。
公式：
2. 核心区别
| 指标 | 计算逻辑 | 权重倾向 | 适用场景 |
|---|---|---|---|
| F 1-micro | 合并所有类别的 TP/FP/FN，全局计算 F 1 | 样本均衡（每个样本权重相同） | 类别数量差异大，需关注整体正确率（如新闻分类） |
| F 1-macro | 独立计算每类 F 1 后取平均 | 类别均衡（每个类别权重相同） | 类别重要性相同，需平衡各类表现（如医疗诊断） |
3. 示例说明
假设数据含 3 类（A、B、C），样本分布及模型预测如下：
| 类别 | TP | FP | FN | Precision | Recall | F 1 |
|---|---|---|---|---|---|---|
| A | 30 | 5 | 10 | 85.7% | 75% | 80% |
| B | 20 | 15 | 5 | 57.1% | 80% | 66.7% |
| C | 5 | 0 | 15 | 100% | 25% | 40% |
- F 1-micro：
（结果偏向大类 A 和 B）
- F 1-macro：
（小类 C 的低性能显著拉低平均值）