Precyzja i czułość działają w przeciwnych kierunkach. Zacieśnij klasyfikator, aby zmniejszyć liczbę wyników fałszywie dodatnich, a stracisz więcej wyników prawdziwie dodatnich. Poluzuj go, a stanie się odwrotnie. Wynik F1 łączy oba te wskaźniki w jedną liczbę, średnią harmoniczną precyzji i czułości.

Średnia harmoniczna karze za brak równowagi. Jeśli precyzja lub czułość są niskie, F1 gwałtownie spada. Model z 90% precyzją i 10% czułością osiąga wynik około 18, a nie 50. To zachowanie sprawia, że ​​F1 jest użyteczny, gdy oba błędy mają znaczenie.

Kiedy F1 pomaga

• Niezrównoważone klasy
• Zadania, w których występują zarówno fałszywie pozytywne, jak i fałszywie negatywne wyniki, są kosztowne
• Porównywanie modeli na podstawie jednej metryki
• Raportowanie w systemach wyszukiwania informacji

F1 nie zawsze jest właściwym wyborem. Gdy jeden typ błędu jest znacznie poważniejszy, lepiej sprawdzają się warianty ważone lub niestandardowa funkcja kosztu. F1 zakłada, że ​​precyzja i czułość zasługują na równą wagę, co jest decyzją modelowania, a nie prawem.