精确率和召回率的作用方向相反。收紧分类器以减少误报，会导致漏报更多真阳性；反之亦然。F1 分数将两者结合起来，它是精确率和召回率的调和平均值。

调和平均值会惩罚不平衡的情况。如果精确率或召回率较低，F1 值会急剧下降。一个精确率为 90%、召回率为 10% 的模型，其 F1 值约为 18，而不是 50。这种特性使得 F1 值在精确率和召回率都很重要的情况下才有用。

F1 帮助

• 不平衡的班级
• 那些既有假阳性也有假阴性的任务都会造成损失。
• 基于单一指标比较模型
• 信息检索系统报告

F1 指标并非总是最佳选择。当某种错误类型的影响远大于其他错误类型时，加权变体或自定义代价函数可能更为有效。F1 指标假定精确率和召回率应具有同等权重，但这只是模型决策，并非绝对法则。