猎聘做简历的网站收费靠谱seo技术快速网站排名

Micro-F1 分数是用于多标签（multi-label）或多类（multi-class）分类评估的重要指标，特别适用于样本不均衡时评估整体性能。它在**多选任务（multi-label classification）**中尤为常用。

---

🧠 一、Micro-F1 的定义

Micro-F1 是基于所有标签的 全局预测统计量计算出的 F1 值：

$$\text{Micro-F1}=\frac{2\cdot {\text{TP}}_{\text{total}}}{2\cdot {\text{TP}}_{\text{total}}+{\text{FP}}_{\text{total}}+{\text{FN}}_{\text{total}}}$$

• 它先将所有标签的 TP（True Positive）、FP（False Positive）、FN（False Negative）加总，
• 再计算 F1 分数。

---

✅ 二、应用场景（多选）

多选任务通常表现为多标签分类问题，例如：

y_true = [[1, 0, 1, 0],  # 样本1：标签0和2是正例[0, 1, 1, 1],  # 样本2：标签1、2、3是正例
]y_pred = [[1, 0, 1, 1],  # 样本1：预测对了0和2，多选了3[0, 0, 1, 1],  # 样本2：预测对了2、3，漏了1
]

---

🛠 三、如何计算 Micro-F1（Python 示例）

使用 sklearn.metrics.f1_score 设置 average='micro'：

from sklearn.metrics import f1_scorey_true = [[1, 0, 1, 0],[0, 1, 1, 1],
]y_pred = [[1, 0, 1, 1],[0, 0, 1, 1],
]# 计算 micro-F1
micro_f1 = f1_score(y_true, y_pred, average='micro')
print(f"Micro-F1 分数: {micro_f1:.4f}")

---

📊 四、Micro vs Macro vs Weighted F1

评估方式	含义	适用场景
Micro-F1	全局统计 TP/FP/FN 后求 F1	标签不平衡时最稳定
Macro-F1	每个标签分别计算 F1，再平均	看每个类是否表现一致
Weighted-F1	Macro-F1 加权平均（按样本数）	类别不均衡但关心主类

---

📘 五、注意事项

• Micro-F1 与 Accuracy 的数值在多标签任务中差异较大，因为 Accuracy 需要 标签完全匹配，而 Micro-F1 允许部分匹配。
• 如果你用的模型返回了 logits 或概率（如 [0.8, 0.1, 0.9, 0.3]），要先进行阈值处理（如 0.5）再转成 0/1 标签才能评估：

import numpy as np# 假设模型输出为概率
y_prob = np.array([[0.8, 0.1, 0.9, 0.3],[0.2, 0.7, 0.95, 0.6],
])
y_pred = (y_prob >= 0.5).astype(int)

---

如果你可以提供模型的预测结果（多标签格式）和真实标签，我可以帮你计算 Micro-F1、Macro-F1、准确率等指标。是否需要我帮你计算一下？