Precizia și reamintirea au direcții opuse. Dacă strângi un clasificator pentru a reduce falsurile pozitive, vei rata mai multe rezultate pozitive adevărate. Dacă îl slăbești, se întâmplă invers. Scorul F1 combină ambele într-un singur număr, media armonică dintre precizie și reamintire.

Media armonică sancționează dezechilibrul. Dacă fie precizia, fie reamintirea sunt scăzute, F1 scade brusc. Un model cu o precizie de 90% și o reamintire de 10% obține un scor de aproximativ 18, nu de 50. Acest comportament face ca F1 să fie util atunci când ambele erori contează.

Când F1 ajută

• Clase dezechilibrate
• Sarcini în care atât rezultatele fals pozitive, cât și cele fals negative costă
• Compararea modelelor pe o singură metrică
• Raportarea privind sistemele de recuperare a informațiilor

F1 nu este întotdeauna alegerea corectă. Când un tip de eroare este mult mai grav, variantele ponderate sau o funcție de cost personalizată servesc mai bine. F1 presupune că precizia și reamintirea merită o pondere egală, ceea ce este o decizie de modelare, nu o lege.