คะแนน F1 เป็นตัวชี้วัดประสิทธิภาพที่ใช้ในงานการเรียนรู้แบบมีผู้สอน เช่น การจัดประเภทไบนารีหรือหลายคลาส คะแนน F1 ผสมผสานความแม่นยำและการจดจำไว้ในหน่วยเมตริกเดียว คำนวณโดยใช้ค่าเฉลี่ยฮาร์มอนิกของความแม่นยำและการเรียกคืนชุดข้อมูลที่กำหนด
ความแม่นยำของระบบถูกกำหนดให้เป็นอัตราส่วนของผลบวกที่แท้จริงต่อจำนวนอินสแตนซ์ทั้งหมดที่คาดการณ์ว่าจะเป็นบวก (TP + FP) ในทางกลับกัน การเรียกคืนระบบถูกกำหนดให้เป็นอัตราส่วนของผลบวกที่แท้จริงต่อจำนวนอินสแตนซ์ทั้งหมดที่เป็นบวกอย่างแท้จริง (TP + FN) ดังนั้นคะแนน F1 จึงเป็นค่าเฉลี่ยฮาร์มอนิกของความแม่นยำและการจดจำ
คะแนน F1 มีความสำคัญอย่างยิ่งเมื่อชุดข้อมูลไม่สมดุล ซึ่งหมายความว่ามีจำนวนอินสแตนซ์เชิงบวกหรือเชิงลบไม่สมส่วน ในกรณีเหล่านี้ ความแม่นยำและการเรียกคืนข้อมูลไม่เพียงพอที่จะกำหนดประสิทธิภาพของตัวแยกประเภท จากนั้นคะแนน F1 จะถูกนำมาใช้เพื่อสร้างสมดุลเฉลี่ยโดยรวมระหว่างคะแนนเหล่านั้น
นอกจากนี้ คะแนน F1 ยังใช้กันทั่วไปในโมเดลการเรียนรู้ของเครื่องสมัยใหม่ รวมถึงในเครื่องมือวินิจฉัยทางการแพทย์ ในกรณีเหล่านี้ จะถูกนำมาใช้เพื่อพิจารณาว่าโมเดลสามารถจัดประเภทอินสแตนซ์ที่ถูกต้องได้หรือไม่
โดยสรุป คะแนน F1 เป็นตัววัดประสิทธิภาพที่ใช้ในการประเมินประสิทธิภาพของงานการเรียนรู้แบบมีผู้สอน เช่น การจำแนกประเภท เป็นการผสมผสานระหว่างความแม่นยำและการเรียกคืน และโดยทั่วไปจะใช้ในกรณีที่ชุดข้อมูลไม่สมดุล
