深入解析机器学习评估的F1分数
准确性指标是衡量模型在整个数据集中正确预测的次数。然而，只有在数据集是类平衡的情况下，这个指标才是可靠的。也就是说，数据集中每个类别都有相同数量的样本。但是，现实世界的数据集往往严重失衡，这就导致准确性指标不再可行。为了解决这个问题，人们引入了F1分数作为一种更全面完善的机器学习评估指标。F1分数综合了模型的精确率和召回率，可以更好地评估模型的准确性。精确率是指模型预测为正例的样本中有多少是真正的正例，而召回率是指模型能够正确预测出多少真正的正例。F1分数的计算公式为：2*(精确率*召回率)/(精确率+召
准确性指标是衡量模型在整个数据集中正确预测的次数。然而，只有在数据集是类平衡的情况下，这个指标才是可靠的。也就是说，数据集中每个类别都有相同数量的样本。但是，现实世界的数据集往往严重失衡，这就导致准确性指标不再可行。 为了解决这个问题，人们引入了F1分数作为一种更全面完善的机器学习评估指标。F1分数综合了模型的精确率和召回率，可以更好地评估模型的准确性。精确率是指模型预测为正例的样本中有多少是真正的正例，而召回率是指模型能够正确预测出多少真正的正例。 F1分数的计算公式为：2 * (精确率 * 召回率) / (精确率 + 召回率)。通过综合考虑精确率和召回率，F1分数能够更准确地评估模型的表现，尤其在
F1分数概念
F1分数与混淆矩阵密切相关，用于评估分类器的准确度、精确度和召回率等指标。通过结合精确度和召回率，F1分数能够提供对模型综合性能的评估。
精度衡量模型做出的“积极”预测中有多少是正确的。
召回率测量数据集中存在的正类样本中有多少被模型正确识别。
准确率和召回率提供了一种权衡的关系，即提高一个指标会以另一个为代价。更高的准确率意味着更严格的分类器，会怀疑数据集中的实际正样本，从而降低召回率。另一方面，更高的召回率需要一个松懈的分类器，它允许任何类似于正类的样本通过，这会将一些边界情况的负样本误分类为“正类”，从而降低准确率。理想情况下，我们希望最大化准确率和召回率指标，以获得一个完美的分类器。
F1分数使用它们的调和平均值结合精确度和召回率，最大化F1分数意味着同时最大化精确度和召回率。
如何计算F1分数？
要理解F1分数的计算，首先需要认识混淆矩阵。上文我们提到F1分数是根据精确度和召回率定义的。其公式如下：
精度
F1分数计算为精度和召回分数的调和平均值，如下所示。它的范围为0-100%，较高的F1分数表示更好的分类器质量。
为了计算多类数据集的F1分数，使用了一对一技术来计算数据集中每个类的个体分数。取类精度和召回值的调和平均值。然后使用不同的平均技术计算净F1分数。
宏观平均F1分数
微平均F1分数是一种对多类数据分布有意义的指标。它使用“净”TP、FP和FN值来计算指标。
净TP是指数据集的类TP分数的总和，它是通过将混淆矩阵分解为对应于每个类的one-vs-all矩阵来计算的。
样本加权F1分数
Fβ分数是F1分数的通用版本。它计算调和平均值，就像F1分数一样，但优先考虑精度或召回率。“β”表示权重系数，该系数是用户设置的超参数，始终大于0。
机器学习奠基人MichaelJordan认为AGI是公关炒作，AI的真正挑战在于让系统学会协调。他主张机器学习必须与经济学结合，关注不确定性、激励机制和数据流动等社会系统性问题，而非单纯追求模型能力。
持续坚持原创输出，点击蓝字关注我吧 ❝ 沉淀、分享、成长，让自己和他人都能有所收获！ ❞ 目录 一、前言二、面试题三、线程池讲解1. 先看个例子2. 手写一个线程池3. 线程池源码分析四、总结五、系列推荐一、前言人看手机，机器学习！正好是2020年，看到这张图还是蛮有意思的。以前小时候总会看到一些科
当前数字时代，deepseek入口智能助手凭借前沿技术架构为用户带来革新体验 在如今这个数字浪潮翻涌的时代，deepseek入口智能助手凭借其前沿的技术架构，为用户带来了真正意义上的革新体验。这个平台巧妙融合了自然语言处理与知识图谱技术，能够精准解析那些看似复杂的语义需求，已然成为提升工作效率的智能
刚开始学机器学习时，我也像大部分人 一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。 所以每次拿到数据，我就拼命往模型里塞特征——能算出来的统计量全加上，能衍生出来的比率全拼上。 一个原本 20 列的数据集，经常被我搞到七八十列。 然后我就发现事情不太对劲了： 训练时间明显变
机器学习实战中，大家往往把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，很多人特别喜欢堆特征——不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。直到有一次跑练习数据集，X_train.shape 直接干到了 (50000
空气中直径小于100纳米的超细颗粒物每年导致约199万人早逝，其中近半因心血管疾病。该颗粒物主要来自化石燃料，可通过呼吸进入血液，引发氧化应激和内皮功能紊乱，是未被充分认识的心血管危险因素。若年均浓度控制在每立方厘米5000个以下，全球超额死亡率可降低约45%。
这项研究来自Ezgi Korkmaz，论文以预印本形式发布于2026年7月8日，编号为arXiv:2607.07769，发表于cs.LG（机器学习）领域，并将出版于2026年人工智能促进协会（AAAI）会议论文集。有兴趣深入了解的读者可以通过arXiv编号2607.07769查询完整论文。 深度强化
机器人编程侧重硬件组装与程序驱动，编程受限于特定机器人；少儿编程系统化教授编程知识，从Scratch启蒙延伸至Python、C++等高级语言。两者各有侧重，选择取决于希望孩子提升的能力方向。
少儿编程分为软件与硬件两大方向。软件编程侧重逻辑与代码能力，含图形化、Python、C++，适配学业竞赛；硬件编程侧重动手与工程实践，含乐高搭建与机器人。选择应基于孩子兴趣与年龄。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
