f1_score多分类必须显式指定average参数，常用'micro'（全局汇总计算）、'macro'（各类F1算术平均）、'weighted'（按支持数加权平均）；'macro'可能低于准确率，因它平等对待各类，暴露小类性能缺陷。
scikit-learn中f1_score的多分类模式怎么选？
默认的 f1_score 在多分类下会直接报错或返回意外结果，因为它需要明确告知如何“混合”各类别的F1值。不指定 average 参数时，它只接受二分类标签——这是最常踩的坑。
实际使用必须显式传入 average，常见取值有：'micro'、'macro'、'weighted'，三者计算逻辑完全不同：
-
'micro'：先汇总所有类别的TP/FP/FN，再算全局F1，适合类别不平衡但关注整体精度的场景 -
'macro'：对每个类单独算F1后取算术平均，不考虑样本数量，容易被小类拉高/拉低均值 -
'weighted'：按每个类的支持数（support）加权平均，更贴近真实分布，多数业务场景推荐
为什么average='macro'有时比准确率还低？
因为 macro 对每个类一视同仁。比如3分类任务中，A类F1=0.95、B类F1=0.85、C类F1=0.05（严重漏判），macro 结果就是 ≈0.62，而准确率可能高达0.88——这说明模型在C类上完全失效，但准确率掩盖了这个问题。
此时应检查：
立即学习“Python免费学习笔记（深入）”；
- 混淆矩阵里C类的召回率是否接近0（
recall_score(..., average=None)查各列） - 训练集里C类样本是否过少，或特征区分度差
- 是否误用了
pos_label（仅限二分类）导致多分类调用出错
如何安全地获取每类F1并手动加权？
当内置 average='weighted' 不够用（比如想按业务重要性赋权而非样本数），可先用 average=None 拿到数组，再自行加权：
from sklearn.metrics import f1_score import numpy as np <p>y_true = [0, 1, 2, 0, 1, 2, 2, 2] y_pred = [0, 1, 1, 0, 1, 1, 2, 2]</p><p>f1_per_class = f1_score(y_true, y_pred, average=None) # array([0.8, 0.666..., 1. ]) class_weights = np.array([0.4, 0.3, 0.3]) # 自定义权重，和必须为1 weighted_f1 = np.sum(f1_per_class * class_weights)</p>
注意：f1_score(..., average=None) 返回顺序严格对应类别索引（0,1,2…），不是按标签值排序；若标签是字符串（如 ['cat','dog','bird']），需配合 labels 参数对齐。
用classification_report快速验证混合逻辑
它底层调用的就是 f1_score，但默认显示 macro avg 和 weighted avg 两行，是交叉验证时快速比对的首选：
from sklearn.metrics import classification_report print(classification_report(y_true, y_pred)) # 输出里会明确标出 macro avg 和 weighted avg 的F1，方便对照你代码里的参数是否一致
特别注意最后一行的 support 列——它就是 weighted 模式的权重来源。如果某类 support=0（没预测出来也没真实出现），weighted 会跳过该类，而 macro 仍计入（此时该类F1为0）。
真正容易被忽略的是：average 不影响混淆矩阵本身，但决定了F1这个指标的解释粒度；选错不仅数字偏差，更可能导致对模型缺陷的误判。
