针对类别不平衡二分类模型，寻求加权F1分数的详细学术参考

经典机器学习教材 #

• 《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（第2版）

  作者Aurélien Géron在类别不平衡章节中，详细对比了多种评估指标，明确解释了加权F1分数通过给不同类别的F1结果赋予与样本量成正比的权重，缓解普通F1在严重不平衡数据下的偏差问题，尤其适配二分类场景的样本分布倾斜情况。

• 《Pattern Recognition and Machine Learning》（Christopher M. Bishop著）

  该书在分类器评估部分，讨论了不平衡数据下性能指标的选择逻辑，指出加权F1是宏F1与微F1的折中方案——当不同类别的错分代价和样本量相关时，加权F1能提供更可靠、偏差更小的模型性能评估结果。

核心学术论文 #

• "Class Imbalance Problems: A Systematic Study"（2004, Liu et al.）
  这篇论文系统梳理了类别不平衡问题的评估指标体系，对加权F1的计算逻辑、适用场景及偏差控制效果做了严谨分析。文中指出，在严重不平衡的二分类数据中，加权F1相比宏F1更能兼顾多数类与少数类的模型表现，避免因少数类样本量占比过低导致的指标偏差。

• "Evaluation Metrics for Imbalanced Classification"（2019, Chicco et al.）
  这篇综述类论文针对不平衡分类的评估指标做了全面对比，详细阐释了加权F1"偏差更小"的理论依据：通过将权重与类别样本量绑定，让指标更贴合数据集的真实分布，有效平衡了不同类别对最终评估结果的贡献。

内容的提问来源于stack exchange，提问作者JS_ps