Độ chính xác và độ thu hồi có xu hướng ngược chiều nhau. Siết chặt bộ phân loại để giảm sai số dương giả sẽ bỏ sót nhiều kết quả dương thật hơn. Nới lỏng nó thì điều ngược lại sẽ xảy ra. Điểm F1 kết hợp cả hai thành một con số duy nhất, là trung bình điều hòa của độ chính xác và độ thu hồi.

Trung bình điều hòa trừng phạt sự mất cân bằng. Nếu độ chính xác hoặc độ thu hồi thấp, F1 sẽ giảm mạnh. Một mô hình có độ chính xác 90% và độ thu hồi 10% sẽ đạt điểm khoảng 18, chứ không phải 50. Hành vi đó làm cho F1 hữu ích khi cả hai loại lỗi đều quan trọng.

Khi F1 giúp đỡ

• Các lớp học không cân bằng
• Các nhiệm vụ mà cả kết quả dương tính giả và âm tính giả đều gây tốn kém
• So sánh các mô hình dựa trên một tiêu chí duy nhất.
• Báo cáo về hệ thống truy xuất thông tin

F1 không phải lúc nào cũng là lựa chọn đúng đắn. Khi một loại lỗi nào đó gây ra hậu quả nghiêm trọng hơn nhiều, các biến thể có trọng số hoặc hàm chi phí tùy chỉnh sẽ hiệu quả hơn. F1 giả định rằng độ chính xác và độ thu hồi có trọng số ngang nhau, đây là một quyết định dựa trên mô hình, chứ không phải là một quy luật.