Precision och återkallelse går i motsatta riktningar. Om man stramar åt en klassificerare för att minska falska positiva resultat missar man fler sanna positiva resultat. Lossa på den och det motsatta händer. F1-poängen kombinerar båda till ett enda tal, det harmoniska medelvärdet av precision och återkallelse.

Det harmoniska medelvärdet bestraffar obalans. Om antingen precisionen eller återkallelsen är låg, sjunker F1 kraftigt. En modell med 90 procents precision och 10 procents återkallelse får runt 18, inte 50. Det beteendet gör F1 användbart när båda felen spelar roll.

När F1 hjälper

• Obalanserade klasser
• Uppgifter där både falska positiva och falska negativa resultat kostar
• Jämföra modeller med ett enda mätvärde
• Rapportering om informationssökningssystem

F1 är inte alltid rätt val. När en feltyp är mycket värre fungerar viktade varianter eller en anpassad kostnadsfunktion bättre. F1 antar att precision och återkallelse förtjänar lika vikt, vilket är ett modelleringsbeslut, inte en lag.