الدقة والاستدعاء عاملان متعاكسان. فإذا شددت معايير التصنيف لتقليل النتائج الإيجابية الخاطئة، ستفقد المزيد من النتائج الإيجابية الصحيحة. وإذا خففتها، يحدث العكس. يجمع مقياس F1 بين هذين العاملين في رقم واحد، وهو المتوسط ​​التوافقي للدقة والاستدعاء.

يُعاقب المتوسط ​​التوافقي عدم التوازن. فإذا انخفضت الدقة أو الاستدعاء، ينخفض ​​مقياس F1 بشكل حاد. على سبيل المثال، يحصل نموذج بدقة 90% واستدعاء 10% على حوالي 18، وليس 50. هذا السلوك يجعل مقياس F1 مفيدًا عندما يكون كلا الخطأين مهمين.

عندما تساعد الفورمولا 1

• فصول غير متوازنة
• المهام التي تتكلف فيها كل من النتائج الإيجابية الخاطئة والنتائج السلبية الخاطئة
• مقارنة النماذج بناءً على مقياس واحد
• إعداد التقارير عن أنظمة استرجاع المعلومات

لا يُعدّ مقياس F1 الخيار الأمثل دائمًا. فعندما يكون أحد أنواع الأخطاء أسوأ بكثير، تُصبح المتغيرات المرجّحة أو دالة التكلفة المُخصصة أكثر فعالية. يفترض مقياس F1 أن الدقة والاستدعاء لهما وزن متساوٍ، وهو قرارٌ يتعلق بالنمذجة، وليس قانونًا مُطلقًا.