F1 میانگین هارمونیک Precision و Recall است و تعادلی میان این دو معیار نشان می‌دهد. اگر یکی بسیار پایین باشد، F1 نیز کاهش می‌یابد.
F1 به True Negativeها توجه مستقیم ندارد و در داده نامتوازن باید همراه معیارهای دیگر بررسی شود.
در عمل چه اتفاقی می‌افتد؟
F1 ترکیبی از Precision و Recall است. مدلی با Precision بالا اما Recall بسیار پایین، F1 ضعیف خواهد داشت.
نمونه کوتاه
from sklearn.metrics import f1_score
print(f1_score(y_true, y_pred))برای تکمیل بحث، ارتباط این مفهوم را با طبقه‌بندی و خوشه‌بندی بررسی کنید.
F1 Score چه وقت مفید است؟
F1 میانگین هارمونیک Precision و Recall است. در دیتاست نامتوازن معیار مناسبی برای توازن میان این دو است، ولی هزینه تجاری False Positive و False Negative را به‌تنهایی منعکس نمی‌کند.