1 定义与基本概念
F1值是用于衡量分类结果质量的综合指标，强调“查准”与“查全”之间的平衡。它不是单独看预测命中多少，也不是只看漏判多少，而是将两者结合起来进行评价，因此常被视为比单一指标更全面的性能度量。
1.1 F1值的定义
F1值是精确率与召回率的调和平均数。由于调和平均会对较低的数值更敏感，所以只要精确率或召回率有一项较差，F1值就会被明显拉低。这使它适合用来衡量整体分类表现是否均衡。
1.2 精确率与召回率
精确率表示“被判为正类的样本中，真正为正类的比例”，主要反映误报情况。召回率表示“真实正类中被正确找出的比例”，主要反映漏报情况。二者分别对应分类任务中的不同侧面，前者关注预测结果的可靠性，后者关注目标样本的覆盖程度。
1.3 调和平均的含义
调和平均是一种适合处理比率型数据的平均方式，它比算术平均更强调较小值的影响。在F1值中，这意味着精确率和召回率不能偏科，只有两者都较高时，F1值才会显著提升。
1.4 F1值的适用场景
F1值尤其适用于类别分布不均衡、且同时重视误报和漏报的任务。例如在疾病筛查、垃圾邮件识别、文本检索和异常检测中，单纯使用准确率往往会掩盖少数类识别能力不足的问题，而F1值能提供更有代表性的评价结果。
2 数学表达与推导
2.1 基本公式
F1值的核心公式建立在精确率和召回率之上，也可以直接由混淆矩阵中的基本统计量计算得到。
2.1.1 基于精确率与召回率的公式
设精确率为P，召回率为R，则F1值定义为：
F1 = 2PR / (P + R)
当P和R都较高时，F1值才接近1；若其中任意一个接近0，F1值也会随之下降。
2.1.2 基于混淆矩阵的表达
在二分类问题中，若真阳性为TP、假阳性为FP、假阴性为FN，则：
精确率 P = TP / (TP + FP)
召回率 R = TP / (TP + FN)
代入后可得F1值也可写成：
F1 = 2TP / (2TP + FP + FN)
该形式便于直接由混淆矩阵统计结果进行计算。
2.2 推导过程
F1值可视为精确率与召回率的调和平均，其推导来源于平均数的标准定义。对两个数P和R，调和平均为：
H = 2 / (1/P + 1/R)
化简后即得到：
H = 2PR / (P + R)
因此，F1值本质上就是对精确率和召回率的对称综合，不偏向任何一方。
2.3 取值范围与性质
F1值通常位于0到1之间，数值越高表示模型在正类识别上的综合表现越好。由于其由比例构成，因此不受样本总量直接影响，但会明显受TP、FP、FN之间关系的影响。
2.3.1 最小值与最大值
当模型完全无法识别正类时，F1值可趋近于0；当精确率和召回率都达到1时，F1值为1。也就是说，F1值的上界代表理想分类，下界则代表几乎没有有效识别能力。
2.3.2 对极端情况的敏感性
F1值对极端不平衡的表现较为敏感。若精确率很高但召回率很低，或召回率很高但精确率很低，F1值都会受到显著压制。这种性质使它在“不能只顾一头”的任务中更有参考价值。
3 计算方法
3.1 二分类情况下的计算
二分类任务中，F1值最容易计算，也最常见。其关键在于先明确正类定义，再统计相关预测结果。
3.1.1 真阳性、假阳性与假阴性
真阳性指真实为正且被预测为正的样本；假阳性指真实为负却被预测为正的样本；假阴性指真实为正却被预测为负的样本。这三个量共同决定了精确率、召回率与F1值。
3.1.2 从混淆矩阵求F1值
只要得到混淆矩阵中的TP、FP和FN，就可以直接代入公式：
F1 = 2TP / (2TP + FP + FN)
若需要先算精确率和召回率，也可先分别求出P与R，再计算调和平均。两种方式结果一致。
3.2 多分类情况下的计算
多分类任务中，F1值通常需要借助平均策略，将多个类别的评价结果汇总为一个指标。
3.2.1 宏平均F1值
宏平均先对每个类别分别计算F1值，再对各类结果取平均。它对每个类别一视同仁，因此更能体现少数类的表现，但也可能受到个别小类波动的影响。
3.2.2 微平均F1值
微平均会先汇总所有类别的TP、FP和FN，再统一计算F1值。这种方法更关注整体样本层面的表现，通常会受到样本数量较多类别的影响更大。
3.2.3 加权平均F1值
加权平均是在各类别F1值的基础上，按类别样本数或支持度进行加权。它兼顾类别间差异和总体分布，适合类别规模差别较大的情形。
3.3 多标签情况下的计算
多标签任务中，一个样本可以同时属于多个类别，因此F1值通常按标签逐一统计后再平均。常见做法包括对每个标签单独计算F1，再进行宏平均、微平均或样本平均，以适应不同任务需求。
4 指标解释与性质
4.1 与精确率的关系
F1值不会只强调“预测准不准”，而是将精确率纳入整体评价。如果模型几乎不误报，但找不到足够多的正类样本，那么精确率可能很高，但F1值未必理想。
4.2 与召回率的关系
召回率反映模型是否尽可能找全正类，而F1值会要求这种“找全”不能以过多误报为代价。因此，F1值相当于对召回率进行了一层平衡约束。
4.3 对类别不平衡的影响
在正负样本数量差距较大的任务中，准确率有时会产生误导，而F1值通常更能体现少数类的实际识别能力。不过，F1值也并非对所有不平衡问题都完全无偏，它仍然主要围绕正类表现展开。
4.4 F1值的优点与局限
F1值的优点在于直观、易算、能平衡误报与漏报，适合比较多个模型在同一任务上的综合效果。局限在于它忽略了真负类数量，也不直接反映概率校准情况，因此在某些场景下需要与其他指标配合使用。
5 应用领域
5.1 信息检索
在信息检索中，F1值可用于衡量检索系统返回结果的质量。它既关注检索到的结果是否准确，也关注相关文档是否尽量被找出，因此适合评估搜索、匹配和召回类任务。
5.2 文本分类
文本分类中，F1值常用于评价垃圾邮件识别、情感分类、主题分类等任务。特别是当某一类样本较少时，F1值比准确率更能反映模型是否真正学到了该类特征。
5.3 医学诊断
医学诊断任务通常需要兼顾漏诊和误诊。F1值在这类场景中很常见，因为它能体现模型对病症样本的识别完整性，同时避免过多错误报警。
5.4 异常检测
异常检测中，异常样本通常稀少。此时若只看准确率，模型可能通过把大多数样本判为正常而获得较高分数；F1值则能更真实地反映异常识别能力。
5.5 其他分类任务
除上述领域外，F1值还广泛用于推荐过滤、实体识别、语音标注和工业质检等任务。只要任务同时关心“找得准”和“找得全”，F1值就具有较强的实用性。
6 相关变体与扩展
6.1 Fβ值
Fβ值是F1值的推广形式，可通过设置β来调整精确率与召回率的权重。当β大于1时，更偏重召回率；当β小于1时，更偏重精确率。
6.2 F0.5值与F2值
F0.5值强调精确率，适用于误报代价较高的情况；F2值强调召回率，适用于漏报代价更高的情况。它们为不同业务目标提供了更灵活的评价方式。
6.3 各类平均方式的比较
宏平均、微平均与加权平均适用于不同的数据分布和分析目的。宏平均适合观察每类是否均衡，微平均更适合整体表现评估，加权平均则在类别规模差异较大时更具现实参考意义。
6.4 阈值调整对F1值的影响
在许多模型中，类别判定依赖阈值。调整阈值会改变精确率与召回率的相对关系，从而影响F1值。实际应用中，常通过验证集寻找使F1值较优的阈值点。
7 统计学与机器学习中的比较
7.1 与准确率的比较
准确率衡量的是整体预测正确的比例，但在类别不平衡时可能掩盖少数类识别失败的问题。F1值则更侧重正类的检测质量，因此在不均衡数据上往往更具解释力。
7.2 与召回率的比较
召回率只强调找全目标样本，不考虑误报数量。F1值则要求在找全的同时保持一定准确性，因此更适合作为综合指标，而不是单独替代召回率。
7.3 与ROC-AUC的区别
ROC-AUC衡量模型在不同阈值下的整体区分能力，偏向排序意义上的表现；F1值则是针对某一具体阈值下的分类结果进行评价。两者关注重点不同，不能简单互相替代。
7.4 与PR-AUC的关系
PR-AUC强调精确率与召回率之间的权衡，尤其适合类别不平衡任务。与之相比，F1值是某一固定点上的综合指标，而PR-AUC反映的是整个阈值范围内的整体表现。
8 实际使用中的注意事项
8.1 类别不平衡问题
在类别极不平衡时，F1值通常比准确率更有价值，但仍应结合具体任务理解。若业务更重视负类识别，单看F1值可能不够全面，需要配合其他指标一起分析。
8.2 阈值选择
阈值变化会直接影响F1值，因此报告结果时应说明所用阈值来源。若阈值是通过验证集优化得到的，也应注意避免在测试集上过度调参。
8.3 样本分布变化
当训练集、验证集与真实应用环境中的样本分布不一致时，F1值可能出现偏移。此时模型在离线评估中表现良好，到了实际场景未必同样稳定。
8.4 不同任务中的解释差异
F1值在不同任务里并不总有完全相同的含义。对信息检索而言，它更多反映检索效果；对医学筛查而言，它则更接近风险控制指标。因此，解释F1值时应结合任务背景、正类定义和错误代价综合判断。