A precisão e a revocação puxam em direções opostas. Ao restringir um classificador para reduzir os falsos positivos, perde mais verdadeiros positivos. Ao afrouxá-lo, ocorre o inverso. A pontuação F1 combina ambas num único número, a média harmónica de precisão e revocação.

A média harmónica penaliza o desequilíbrio. Se a precisão ou a revocação forem baixas, o F1 cai drasticamente. Um modelo com 90% de precisão e 10% de revocação obtém uma pontuação de cerca de 18, e não de 50. Este comportamento torna o F1 útil quando ambos os erros são relevantes.

Quando a F1 ajuda

• Classes desequilibradas
• Tarefas em que tanto os falsos positivos como os falsos negativos custam
• Comparar modelos com base numa única métrica
• Relatórios sobre sistemas de recuperação de informação

O F1 nem sempre é a escolha certa. Quando um tipo de erro é muito pior, as variantes ponderadas ou uma função de custo personalizada são mais adequadas. O F1 pressupõe que a precisão e a recordação têm o mesmo peso, o que é uma decisão de modelação, não uma regra.