Hassasiyet ve geri çağırma zıt yönlerde çalışır. Yanlış pozitifleri azaltmak için bir sınıflandırıcıyı sıkılaştırırsanız, daha fazla gerçek pozitif kaçırırsınız. Gevşetirseniz, bunun tersi olur. F1 puanı, her ikisini de tek bir sayıya, hassasiyet ve geri çağırmanın harmonik ortalamasına dönüştürür.

Harmonik ortalama, dengesizliği cezalandırır. Hassasiyet veya geri çağırma düşükse, F1 puanı keskin bir şekilde düşer. %90 hassasiyet ve %10 geri çağırmaya sahip bir model, 50 değil, yaklaşık 18 puan alır. Bu davranış, her iki hatanın da önemli olduğu durumlarda F1'i kullanışlı hale getirir.

F1 yardımcı olduğunda

• Dengesiz sınıflar
• Hem yanlış pozitiflerin hem de yanlış negatiflerin maliyete yol açtığı görevler
• Modelleri tek bir ölçüt üzerinden karşılaştırmak
• Bilgi erişim sistemleri üzerine raporlama

F1 her zaman doğru seçim değildir. Bir hata türü çok daha kötü olduğunda, ağırlıklı varyantlar veya özel bir maliyet fonksiyonu daha iyi sonuç verir. F1, hassasiyet ve geri çağırmanın eşit ağırlığa sahip olduğunu varsayar; bu bir modelleme kararıdır, bir yasa değildir.