理解F1指标

理解平均数

理解还是靠例子更加直观。

算数平均数的例子：

调和平均数的例子：

调和平均数是算术平均数的一种特殊形式。

由上面的例子：我们发现

钱的单位是统一的，但是不同糖果见斤的计量方式不同。

1块钱代表1/2斤A糖果；1块钱代表1/4斤B糖果。

所以：

当问题中给到的数据不足以让我们直接计算的时候，即我们不能直接得到分子的值和分母的值时（简单的加减法不属于不能直接得到的情况），我们需要通过计算来得到对应的值（通常涉及乘除法），这里牵扯到两种情况，一是不能直接得到分子的值，但可以直接得到分母的值；

二是不能直接得到分母的值，但可以直接得到分子的值。（一般不存在分子分母都无法直接得到的情况。）

理解F1

查准率=TP/TP+FP

查全率=TP/TP+FN

F1分数（F1 Score），是统计学中用来衡量二分类（或多任务二分类）模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0，值越大意味着模型越好

实际上用来理解F1也很容易了：按照上面调和平均数的简单例子。F1指标可以视为模型查准率和模型查全率的一种平均评价指标（简单点说：同时衡量准确和全面，都要兼顾到）。

分子的2代表评价的两个维度（准确和全面）。

分母的1/percision；1/recall代表什么呢？

继续类比：

2元1斤糖果A。有1元——转化为1/4斤糖果A。

4元1斤糖果B。有1元——转化为1/2斤糖果B。

结果：

Precision为一个评价维度——转化为：有一个评价维度，那么对应1/Percision单位的Percision。

Recall为一个评价维度——转化为：有一个评价维度，那么对应1/Recall单位的Recall。

这样理解F1就非常清晰了，它的作用就是兼顾了准确和召唤的评价指标！

参考文章：

【1】如何理解调和平均数 - 知乎

【2】分类问题的评价指标：多分类【Precision、 micro-P、macro-P】、【Recall、micro-R、macro-R】、【F1、 micro-F1、macro-F1】_多分类评价指标-CSDN博客