算法工程师除了准确率（Accuracy）之外，经常会用F1值（F1 Score）评判模型的优劣。虽然F1值好用，但解释起来颇为困难。翻阅了网上很多介绍F1值的文章，大部分只会介绍F1 值是怎么计算的，而很少从业务角度介绍F1值，所以整理这篇文章，作为备忘。
首先，什么是模型的准确率？以二元分类模型为例，模型对10个样本进行推理，每次推理的结果要么正确要么错误，准确率就是正确推理的样本数所占百分比，如果只出现1次错误就是90%，出现2次错误就是80%，以此类推。
图1.模型准确率
事实上准确率存在一个问题，不管什么类型的样本，推理错误都一样对待，统计比较粗糙，而F1值就不一样，它会把错误和正确根据样本的不同再细分，考虑问题更细致全面。我们假设做一个模型来玩扫雷游戏,扫雷游戏的规则是雷区判断错误游戏马上结束，但在安全区标雷区游戏还能继续。
图2.扫雷游戏
每一个推理错误，F1值会统计是雷区的错误还是安全区的错误，而模型准确率（Accuay）只统计错误的数量而不管是不是碰了雷区，这就是F1值统计更细更准的原因，如下图所示。
图3.错误细分
10个样本出现2次错误模型的准确率（Accuary）永远都是80%，而按照F1的统计方法，这两次错又会细分成27种情况，F1值可以统计出最优的情况，而模型准确率不管哪种情况都是80%。
最后看一下怎么细分这27种情况,这要用到迷惑矩阵，把模型推理结果分为四大类，分别是雷区的错误FP（False Positive），雷区的正确TP（True Positive），安全区的错误（False Negative），安全区的正确（True Negative），用一个二维矩阵来表示就构成迷惑矩阵，如下图所示。
图4.迷惑矩阵
具体F1值的计算就根据 TP，FP，TN，TN的代入下面的公式得到:
图5.计算公式
准确率80%和不同F1的对照表如下：
表1.F1值和准确率值对照表
总结：
F1值之所以比模型准确率更能评判模型的优劣，根本原因是其统计的更精细更全面，如果把准确率比作一把测量模型的直尺，那么F1值就是一把千分尺。
