Η ακρίβεια και η ανάκληση έλκονται σε αντίθετες κατευθύνσεις. Αν σφίξετε έναν ταξινομητή για να μειώσετε τα ψευδώς θετικά, χάνετε περισσότερα αληθώς θετικά. Αν τον χαλαρώσετε, συμβαίνει το αντίστροφο. Η βαθμολογία F1 συνδυάζει και τα δύο σε έναν μόνο αριθμό, τον αρμονικό μέσο όρο της ακρίβειας και της ανάκλησης.

Ο αρμονικός μέσος όρος τιμωρεί την ανισορροπία. Εάν είτε η ακρίβεια είτε η ανάκληση είναι χαμηλή, το F1 μειώνεται απότομα. Ένα μοντέλο με ακρίβεια 90% και ανάκληση 10% βαθμολογείται περίπου στο 18, όχι στο 50. Αυτή η συμπεριφορά καθιστά το F1 χρήσιμο όταν και τα δύο σφάλματα έχουν σημασία.

Όταν η F1 βοηθάει

• Ανισόρροπες τάξεις
• Εργασίες όπου κοστίζουν τόσο τα ψευδώς θετικά όσο και τα ψευδώς αρνητικά
• Σύγκριση μοντέλων με βάση μία μόνο μέτρηση
• Αναφορά σε συστήματα ανάκτησης πληροφοριών

Η F1 δεν είναι πάντα η σωστή επιλογή. Όταν ένας τύπος σφάλματος είναι πολύ χειρότερος, οι σταθμισμένες παραλλαγές ή μια προσαρμοσμένη συνάρτηση κόστους εξυπηρετούν καλύτερα. Η F1 υποθέτει ότι η ακρίβεια και η ανάκληση αξίζουν ίσο βάρος, κάτι που αποτελεί απόφαση μοντελοποίησης, όχι νόμο.