在深度学习和其他机器学习任务中，F1分数和F2分数是评估分类模型性能的指标，特别是在二分类问题中。它们都是基于精确率（Precision）和召回率（Recall）的，但权重不同。
F1分数
F1分数是精确率和召回率的调和平均数，它试图在精确率和召回率之间找到一个平衡点。F1分数的计算公式是：
F 1 = 2 × Precision × Recall Precision + Recall F1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} F1=Precision+Recall2×Precision×Recall
-
精确率（Precision） ：预测为正类别中实际为正类别的比例，计算公式为：
Precision = T P T P + F P \text{Precision} = \frac{TP}{TP + FP} Precision=TP+FPTP其中， T P TP TP是真正例（True Positives），即正确预测为正类别的数量； F P FP FP是假正例（False Positives），即错误预测为正类别的数量。
-
召回率（Recall） ：所有实际为正类别的样本中，被正确预测为正类别的比例，计算公式为：
Recall = T P T P + F N \text{Recall} = \frac{TP}{TP + FN} Recall=TP+FNTP其中， F N FN FN 是假负例（False Negatives），即错误预测为负类别的正类别数量。
F2分数
F2分数是F1分数的变体，它给予召回率更高的权重，特别是在召回率比精确率更重要的情况下。F2分数的计算公式是：
F 2 = 5 × Precision × Recall 2 × Precision + Recall F2 = \frac{5 \times \text{Precision} \times \text{Recall}}{2 \times \text{Precision} + \text{Recall}} F2=2×Precision+Recall5×Precision×Recall
在F2分数中，召回率的权重是精确率的2.5倍，这使得模型更倾向于减少漏检（False Negatives）的情况。
应用场景
- F1分数：适用于那些需要精确率和召回率之间平衡的场景，比如文本分类、情感分析等。
- F2分数：适用于那些对漏检的容忍度更低的场景，比如医疗诊断、故障检测等，其中漏检可能导致严重后果。
通过使用这些指标，可以更精确地评估和比较不同模型的性能，特别是在处理不平衡数据集时。