多分类评测中，micro F1 可能只是准确率

把 f1_score 的报错修好，不代表评估就做对了。作者用 LLM 把客服工单分到三个队列，补上 average='micro' 后，面板显示 F1 为 0.85，accuracy 也是 0.85。他以为两个指标相互印证，其实在这个任务里，它们算的是同一件事。

更有用的发现藏在分类明细里：8 张退款工单只分对了 1 张。这篇文章提醒我们，给 AI 分类器做评估，关键不只是算出一个分数，而是弄清这个分数会掩盖什么。

为什么 micro F1 会变成准确率

作者的三个队列是 general、billing 和 refund。每张工单只属于一个队列，这是单标签多分类任务。

但 f1_score 默认使用 average='binary'，只接受二分类目标，并通过 pos_label 指定要评估的正类。直接拿来计算三个类别，就会报错：Target is multiclass but average='binary'。

可选项包括 micro、macro、weighted 和 None。它们决定怎样汇总各类别的表现，不只是让接口正常运行的参数。

micro 会先把所有类别的真正例、假正例和假负例分别加起来，再计算 F1。对于这里的单标签任务，每次错分都会同时产生一个假正例和一个假负例：模型选中的队列多收一张，正确队列少收一张。

因此，汇总后的 precision 和 recall 相等，也都等于 accuracy。作者的 100 张工单分对 85 张、分错 15 张，micro precision、micro recall、micro F1 和 accuracy 就全是 0.85。

在单标签分类且统计全部类别时，micro F1 与 accuracy 是同一个结果。

这也解释了为什么 classification_report 通常省略此时的 micro 平均行：再列一遍只会重复 accuracy。如果只传入部分标签，这个结论就不能直接套用。

总分 0.85，为什么退款队列仍然几乎失效

作者的数据并不均衡：100 张工单中，80 张是 general，12 张是 billing，8 张是 refund。

用 average=None 分别查看各类 F1 后，问题才显露出来：

队列	正确分流数量	F1
general	78 / 80	0.92
billing	6 / 12	0.60
refund	1 / 8	0.20

错分方向也很关键。2 张 general 都去了 billing；billing 中有 5 张去了 general、1 张去了 refund；refund 中有 7 张去了 general。

这里的「分对数量 / 实际数量」反映的是召回情况，并不能单独算出 F1。F1 还要看别的队列有多少工单被误投进来，所以错分去向不是可有可无的细节。

macro 给每个类别相同权重，三个类别的 F1 平均后是 0.57。它让退款队列的失败进入总分，不会因为 general 占了 80% 就轻轻带过。

weighted 则按各类真实样本数量加权，结果是 0.82。general 的权重仍然最大，因此它也不能代替逐类检查。

这几个分数没有谁天然更正确。accuracy 回答整体分对多少，macro F1 更关注各类别是否都表现合格，而逐类结果才能指出具体坏在哪里。

换成 macro，为什么日报又被空类别拉低

作者随后按天评估，又遇到另一个问题。

某天只有 10 张工单：8 张 general、2 张 billing，没有 refund；其中 1 张 billing 被分到了 general。为了让日报始终展示相同类别，他传入了 labels=['general', 'billing', 'refund']，算出的 macro F1 却只有 0.54。

原因是 refund 当天既没有真实样本，也没有预测结果，它的 F1 无法定义。默认的 zero_division='warn' 会发出警告，把这个值设为 0，再把它计入平均数。于是，一个当天根本没被考到的类别，也拖低了成绩。

从 scikit-learn 1.3 开始，可以设置 zero_division=np.nan，让无法定义的类别退出平均。同一份日切片的 macro F1 会变成 0.80。

但这不等于「没有预测就可以忽略」。如果真实存在退款工单，模型却一次都没预测 refund，该类 F1 就是 0，而且 f1_score 不会因此警告。只有真实标签和预测结果都不存在时，这里的 F1 才无法定义。precision_score 则会在某类没有预测结果时警告，作者因此同时检查两者。

我的判断

这篇文章最有价值的地方，是把「指标相互印证」拆成了具体计算。两个名字不同的指标，可能只是在重复同一个结果。

不过，macro F1 也不是通用答案。它默认各类别同等重要，而实际业务中，不同错分的代价可能不同。原文没有给出处理成本，不能仅凭 0.57 就断定应该怎样调整模型或分流策略。

np.nan 解决了空类别按零计分的问题，却没有补上缺失的证据。当天的 0.80 只能描述有数据的类别，不能证明退款识别正常。不同日期参与平均的类别不同，横向比较也需要带上样本量和类别覆盖情况。

文中的数字来自作者报告的一组 100 条工单和一个 10 条工单切片，没有跨模型或多批数据对照。它足以说明计算上的陷阱，不能证明某一种平均方式适合所有团队。

能拿来做什么

• 给 LLM 分类器接评估时，先用 average=None 展示逐类结果，并列出各类样本数和错分去向，再决定首页放哪个总分。
• 如果任务是覆盖全部类别的单标签分类，面板保留 accuracy 即可；另一个指标位可以展示 macro F1，避免重复呈现 micro F1。
• 做日报或小样本评估时，明确 labels 和 zero_division 的配置；使用 zero_division=np.nan 时，同时展示哪些类别缺少样本。
• 对退款这类需要单独关注的队列，直接检查真实数量、预测数量和召回情况，不要等 f1_score 发出警告才排查。