macro-F1 是一种分类模型评价指标,通过对每个类别的 F1 分数取算术平均来衡量整体性能,对类别不平衡问题尤其敏感,在多分类任务(如文本分类、生物医学标注、情感识别)中被广泛用作主要或对比指标。与准确率不同,它不按样本数加权,因此少数类别的表现会直接拉低总分,这也是它在长尾分布场景下备受关注的原因。
macro-F1 近期进展
当前焦点与观察点
围绕 macro-F1 的讨论集中在几个方面。其一,它对低频类别过于敏感:当一个类别 F1 接近零时,均值会被显著拉低,一些研究开始改用 macro-F1 与 macro-recall 的组合,或报告 weighted-F1 作对照,避免单一数字掩盖细节。其二,多标签任务下的计算口径尚未统一——阈值选取、是否对未出现类别计零分等实现差异,常导致不同论文间的数字不可直接比较。其三,随着大模型评测从单指标转向多维报告,macro-F1 的角色更多是「均衡性诊断」而非唯一排名依据,观察时应关注它是否与逐类别结果一同给出。对读者而言,见到 macro-F1 时最值得追问的是:类别分布如何、各类别 F1 分别是多少,这两个信息比总分本身更能反映模型真实水平。