二分类器评估：单独计算各类别F1-measure是否合理，还是整体F1更优？

单独计算每个类别的F1-measure的实际意义 #

单独计算两类的F1完全具备实际价值，尤其是在二分类场景中：

• 精准定位性能短板：二分类任务里样本不均衡是常态（比如欺诈检测里的欺诈样本、疾病筛查的阳性病例），整体F1会被占比高的类别拉偏，单独看每个类别的F1能直接看出模型对少数类/关键类的识别能力，不会被多数类的良好表现掩盖问题。
• 匹配业务核心目标：如果业务更关注某一类的识别效果（比如医疗诊断中不能漏诊阳性病例、风控中不能放过欺诈交易），单独计算该类的F1是最直接的指标，能清晰判断模型是否满足业务需求，比整体指标更有针对性。
• 辅助模型优化：知道哪一类的F1偏低，就能针对性调整模型策略——比如对少数类做过采样、调整分类决策阈值、优化特征工程，而整体F1无法提供这种精细化的优化方向。

整体F1-measure的适用场景 #

整体F1也有不可替代的作用：

• 样本均衡且无侧重的业务场景：当两类样本分布均匀，且业务对两类的关注度完全一致时，整体F1可以简洁直观地反映模型的综合性能，适合快速评估模型的整体表现。
• 多模型横向对比：在不需要深入分析细分类别性能的场景下，整体F1是通用的综合指标，能快速给出不同模型的优劣排序。

如何选择评估方式 #

没有绝对的“哪种更合适”，核心是结合业务需求和数据情况：

• 若业务有明确的重点关注类别，必须优先看该类的单独F1，同时可以搭配整体F1了解模型综合表现；
• 若样本分布不均衡，单独类别F1是必看指标，此时整体F1会失真，无法反映模型对关键少数类的实际能力；
• 在模型迭代优化阶段，两类指标都要参考——既通过整体F1掌握模型的综合水平，也通过单独类别F1定位具体的优化方向。

内容的提问来源于stack exchange，提问作者Zaratruta