F1 分数怎么选：准确率、精确率与召回率取舍指南
F1 分数用于衡量精确率与召回率的平衡。说明准确率、精确率、召回率和 F1 如何在选定阈值下组合使用，并结合类别不平衡评估与混淆矩阵降低误判。适合分类模型评估复盘。
F1 分数是什么
F1 分数是精确率和召回率的调和平均值，用一个数值体现二者之间的平衡。常见计算形式为：F1 = 2 × 精确率 × 召回率 ÷（精确率 + 召回率）。
在分类模型评估中，F1 分数通常用于回答一个核心问题：模型是否既能较可靠地预测正类，又能尽量找回实际为正的样本。它的数值通常在 0 到 1 之间；在相同评估口径下，数值越高，表示精确率与召回率的综合表现越好。
可以把 F1 分数理解为一个“平衡分”：如果精确率很高但召回率很低，或者召回率很高但精确率很低，F1 分数都会受到影响。因此，它比单独查看其中一个指标更适合观察二者是否同时达到可接受水平。
要点： F1 分数不是替代所有指标的万能分数，而是在精确率和召回率都重要时，用来观察二者平衡状态的综合指标。
准确率、精确率、召回率和 F1 分数各自回答什么问题
准确率、精确率、召回率和 F1 分数都可以用于在选定阈值下评估分类模型的预测结果，但它们关注的问题不同。理解这些差异，是选择指标的第一步。
| 指标 | 主要回答的问题 | 更适合关注的情况 | 容易误读的地方 |
|---|---|---|---|
| 准确率 | 整体预测是否正确 | 各类别分布相对均衡，且各类错误代价接近 | 在类别不平衡时，可能掩盖少数类或关键类别的识别问题 |
| 精确率 | 被模型预测为正的结果有多可靠 | 更在意误报成本的任务 | 只看精确率，可能忽略模型漏掉了多少真实正类 |
| 召回率 | 实际为正的样本有多少被找回 | 更在意漏报成本的任务 | 只看召回率，可能忽略预测为正的结果是否足够可靠 |
| F1 分数 | 精确率和召回率是否相对均衡 | 精确率与召回率都重要，或需要一个综合观察指标 | 单个 F1 分数仍可能掩盖不同类别之间的表现差异 |
这些指标并不是互相替代的关系。准确率更像整体正确性概览，精确率和召回率分别观察两类不同错误，F1 分数则把精确率和召回率合并为一个平衡性指标。
类别不平衡时为什么更要关注 F1 分数
类别不平衡指不同类别的样本数量差异明显。在这种数据中，准确率可能看起来很高，但模型对少数类或关键类别的识别效果并不好。
例如，模型如果主要预测多数类，整体预测正确比例可能仍然不低。但如果业务真正关心的是少数类，单看准确率就容易得出过于乐观的判断。此时，F1 分数通过同时考虑精确率和召回率，更适合观察关键类别的综合表现。
在不平衡数据评估中，还应避免只依赖准确率或微平均值。更稳妥的做法是结合宏结果、每类结果和混淆矩阵，检查不同类别的表现是否被总体指标掩盖。
| 数据情况 | 只看准确率的风险 | 更建议关注 |
|---|---|---|
| 类别分布较均衡 | 风险相对较低，但仍需结合任务目标 | 准确率、精确率、召回率、F1 分数 |
| 少数类很重要 | 多数类表现可能掩盖少数类问题 | F1 分数、每类结果、混淆矩阵 |
| 误报和漏报代价都高 | 单一指标难以反映取舍 | 精确率、召回率、F1 分数 |
| 类别差异明显 | 总体分数可能过于乐观 | 宏结果、每类结果、混淆矩阵 |
如何在选定阈值下组合使用这些指标
分类模型通常会在某个选定阈值下把预测结果划分为具体类别。准确率、精确率、召回率和 F1 分数的读数都依赖这个预测结果，因此阈值变化会影响这些指标。
先明确正类和评估目标
先确定评估中哪个类别是正类，或者哪些类别是关键类别。不同任务对错误的容忍度不同：有的任务更在意误报，有的任务更在意漏报，也有任务要求两者尽量平衡。
再选择一个评估阈值
在选定阈值后，模型输出会被转换为具体预测结果。此时再计算准确率、精确率、召回率和 F1 分数，才有明确的比较基础。
同时查看多项指标
不要只用一个总分判断模型好坏。可以先用准确率了解整体正确性，再用精确率和召回率检查错误取舍，最后用 F1 分数观察二者是否平衡。
根据误报和漏报代价调整取舍
如果误报代价更高，可以更关注精确率；如果漏报代价更高，可以更关注召回率；如果两者都重要，则可以优先关注 F1 分数，并继续检查每类结果。
要点： 指标选择不是固定答案，而是由正类定义、类别分布、阈值设置和错误代价共同决定。
不平衡数据的检查清单
不平衡数据下，单个总体指标很容易掩盖关键类别的问题。评估时可以按以下清单逐项检查。
- 不要只看准确率，尤其是在多数类样本明显占优时。
- 查看 F1 分数，判断精确率和召回率是否处于相对均衡状态。
- 查看宏结果，避免总体表现被样本量较大的类别主导。
- 查看每类结果，确认关键类别或少数类是否表现稳定。
- 结合混淆矩阵分析错误分布，定位哪些类别更容易被误判。
混淆矩阵适合帮助观察错误发生在哪里：哪些类别经常被预测成其他类别，哪些类别之间最容易混淆。把 F1 分数与每类结果、混淆矩阵一起看，可以降低单个总体指标带来的误判风险。
| 检查项 | 目的 | 发现问题后可以怎么做 |
|---|---|---|
| 准确率 | 了解整体预测正确性 | 若准确率高但关键类别差，需要继续看每类结果 |
| F1 分数 | 观察精确率和召回率平衡 | 若 F1 偏低，进一步拆看精确率和召回率 |
| 宏结果 | 减少多数类主导总体判断的影响 | 若宏结果明显偏低，检查少数类表现 |
| 每类结果 | 发现具体类别的表现差异 | 针对关键类别分析误报和漏报 |
| 混淆矩阵 | 定位类别之间的误判关系 | 找出最常见的混淆类别并进一步分析原因 |
常见选择思路与误区
在准确率、精确率、召回率和 F1 分数之间取舍时，可以先从任务目标出发，而不是先选择某个“默认最优”的指标。
| 评估目标 | 更适合优先查看 | 原因 |
|---|---|---|
| 想了解整体预测是否正确 | 准确率 | 它反映整体预测正确情况，但不适合单独用于不平衡数据 |
| 想减少误报 | 精确率 | 它关注预测为正的结果是否可靠 |
| 想减少漏报 | 召回率 | 它关注实际为正的样本是否被找回 |
| 想平衡精确率和召回率 | F1 分数 | 它把二者合成为一个平衡性指标 |
| 想解释错误来源 | 每类结果、混淆矩阵 | 它们能帮助定位具体类别的错误分布 |
常见误区主要有三类。
第一，只看准确率判断模型好坏。对于类别不平衡数据，这种做法可能忽略少数类或关键类别的低质量预测。
第二，把 F1 分数当作唯一结论。F1 分数有助于观察精确率和召回率的平衡，但它仍然是一个汇总指标，不能替代每类结果和混淆矩阵。
第三，忽略阈值对指标的影响。准确率、精确率、召回率和 F1 分数都是在选定阈值下评估预测结果；阈值变化后，预测结果和各项指标都可能随之变化。
更稳妥的选择方式是：先明确评估目标和关键类别，再在选定阈值下同时查看多项指标；如果数据不平衡，就把 F1 分数、宏结果、每类结果和混淆矩阵一起纳入判断。