Presisi dan recall bergerak berlawanan arah. Memperketat classifier untuk mengurangi false positive akan menyebabkan lebih banyak true positive terlewatkan. Melonggarkannya akan menyebabkan kebalikannya. Skor F1 menggabungkan keduanya menjadi satu angka, yaitu rata-rata harmonik dari presisi dan recall.

Rata-rata harmonik menghukum ketidakseimbangan. Jika presisi atau recall rendah, F1 akan turun tajam. Model dengan presisi 90 persen dan recall 10 persen akan mendapatkan skor sekitar 18, bukan 50. Perilaku tersebut membuat F1 berguna ketika kedua kesalahan tersebut penting.

Ketika F1 membantu

• Kelas yang tidak seimbang
• Tugas-tugas di mana baik kesalahan positif maupun kesalahan negatif sama-sama menimbulkan biaya.
• Membandingkan model berdasarkan satu metrik tunggal
• Pelaporan tentang sistem penelusuran informasi

F1 tidak selalu merupakan pilihan yang tepat. Ketika satu jenis kesalahan jauh lebih buruk, varian berbobot atau fungsi biaya khusus akan lebih baik. F1 mengasumsikan presisi dan recall layak mendapat bobot yang sama, yang merupakan keputusan pemodelan, bukan hukum.