weighted-f1和micro-f1的区别

Weighted-F1 和 Micro-F1 的区别主要体现在计算方式和对类别不平衡（class imbalance）的处理方式上。它们都是 F1-score 的变体，F1-score 是用于衡量分类模型性能的指标，结合了精确率（Precision）和召回率（Recall）。

---

1. Micro-F1

Micro-F1 是在 全局 计算 F1-score，适用于类别不均衡时强调整体准确率。

计算方法

• 先计算 全局 的 True Positives（TP）、False Positives（FP）、False Negatives（FN）。
• 计算整体的 Precision 和 Recall：
  $${\text{Precision}}_{micro}=\frac{\sum TP}{\sum (TP+FP)}$$
  $${\text{Recall}}_{micro}=\frac{\sum TP}{\sum (TP+FN)}$$
• Micro-F1 公式：
  $$\text{Micro-F1}=\frac{2\times {\text{Precision}}_{micro}\times {\text{Recall}}_{micro}}{{\text{Precision}}_{micro}+{\text{Recall}}_{micro}}$$
• Micro-F1 实质上是计算整体 TP、FP、FN 后得到的 F1-score。

适用场景

• 当类别分布不均衡时，Micro-F1 不会受到小类别的影响，因为它计算的是全局 TP、FP、FN，而不是逐类别计算后求平均。
• 适用于多标签（Multi-label）分类任务，因为它更关注全局的正确性。

---

2. Weighted-F1

Weighted-F1 是对每个类别单独计算 F1-score，然后按照类别的样本数量进行加权平均。

计算方法

• 对于每个类别 ( i ) 计算 Precision、Recall 和 F1-score：
  $${\text{F1}}_i=\frac{2\times {\text{Precision}}_i\times {\text{Recall}}_i}{{\text{Precision}}_i+{\text{Recall}}_i}$$
• 根据每个类别的样本占比 ( w_i )（即该类别样本数在整个数据集中占比）计算加权平均：
  $$\text{Weighted-F1}=\sum _i{w}_i\times {\text{F1}}_i$$
  其中：
  $$w_i=\frac{{\text{样本数}}_i}{\text{总样本数}}$$

适用场景

• 当类别分布不均衡时，Weighted-F1 不会被小类别影响过多，因为它根据样本数量加权，而不是简单地取平均。
• 适用于不均衡数据集的多分类任务，因为它能更好地反映不同类别的影响。

---

3. Micro-F1 vs Weighted-F1 的主要区别

指标	Micro-F1	Weighted-F1
计算方式	直接计算全局 TP、FP、FN，然后计算 F1-score	先计算每个类别的 F1-score，然后按类别样本数加权平均
类别不均衡的影响	小类别的 F1 对最终结果影响较小，主要由大类别主导	小类别的 F1 影响较大，但仍然受类别样本权重控制
适用于	多标签分类（multi-label classification） 和 类别不均衡时更关注整体准确率的任务	类别不均衡的多分类任务（multi-class classification），需要关注各类别的性能
计算时的权重	无类别权重，所有类别的错误都一样重要	类别权重取决于样本数量，少数类影响小，多数类影响大

---

4. 直观示例

假设一个数据集有 3 个类别：

类别	样本数量	Precision	Recall	F1-score
A	1000	0.80	0.75	0.77
B	200	0.70	0.60	0.65
C	50	0.50	0.40	0.44

Micro-F1 计算

• 计算全局 TP、FP、FN 后求 F1-score，不会考虑类别样本数量，而是直接基于所有预测结果。

Weighted-F1 计算

• 按样本数量计算权重：
  $$w_A=\frac{1000}{1250}=0.8,w_B=\frac{200}{1250}=0.16,w_C=\frac{50}{1250}=0.04$$
• 计算加权 F1：
  $$\text{Weighted-F1}=0.8\times 0.77+0.16\times 0.65+0.04\times 0.44=0.75$$
• 由于 A 类别的样本数最多，它的 F1-score 贡献最大，而 C 类别贡献最小。

---

5. 结论

• Micro-F1 更关注整体的正确性（所有类别的 TP、FP、FN 一起计算）。
• Weighted-F1 更关注类别的 F1-score 但会按样本数量加权（类别样本数多的影响更大）。
• Micro-F1 适用于多标签分类（multi-label classification），而 Weighted-F1 适用于类别不均衡的多分类（multi-class classification）。