什么是F1分数？
F1分数是一项把精确率（Precision）和召回率（Recall）融合为单一数值的综合指标，因此在机器学习、信息检索和统计学领域被广泛用于评估分类模型的好坏。它本质上是精确率与召回率的调和平均数，会奖励两者兼顾、整体均衡的分类器，而不是只在某一项上表现突出的模型。
如何使用本计算器
从你的混淆矩阵中填入三个计数值：真阳性（TP，被正确预测为正例的样本）、假阳性（FP，本是负例却被错误预测为正例的样本）、假阴性（FN，本是正例却被漏判的样本）。计算器会即时给出精确率、召回率以及对应的F1分数。
计算公式详解
精确率 = \(\text{TP} / (\text{TP} + \text{FP})\)，衡量在所有被预测为正例的样本中，真正预测对了多少。召回率 = \(\text{TP} / (\text{TP} + \text{FN})\)，衡量在所有实际正例中，模型成功找出了多少。F1分数则为
$$F_1 = \frac{2 \cdot (\text{Precision} \cdot \text{Recall})}{\text{Precision} + \text{Recall}}$$由于它是调和平均数，只要精确率或召回率中任意一项偏低，F1分数都会被大幅拉低。
实例演算
假设 \(\text{TP} = 70\)，\(\text{FP} = 30\)，\(\text{FN} = 10\)。精确率 = \(70 / 100 = 0.70\)；召回率 = \(70 / 80 = 0.875\)；
$$F_1 = \frac{2 \cdot (0.70 \cdot 0.875)}{0.70 + 0.875} = \frac{2 \cdot 0.6125}{1.575} \approx 0.7778$$即约77.78%。
常见问题
什么时候该用F1而不是准确率（Accuracy）？当各类别样本数量不平衡时，更推荐使用F1。因为在某一类别占绝对多数的情况下，准确率往往会虚高，给人误导性的乐观印象。
F1分数多高才算好？F1的取值范围是0到1，越接近1越好。具体多少算"好"要看任务类型，但通常超过0.8就被认为表现相当不错。
为什么要用调和平均数？相比简单的算术平均，调和平均会对精确率与召回率之间的严重失衡给予更重的惩罚，从而确保两项指标都必须保持在合理较高的水平。
