你有沒有看過垃圾郵件分類器，把重要信件丟進垃圾桶，卻又放進一堆廣告？
你可以把它想成，模型到底是「抓得準」還是「抓得全」都要一起看，不然只看一邊很容易被假高分騙過。
F1 分數就是把精確率和召回率一起算進來的指標，特別適合資料不平衡、又在乎漏報和誤報的場景。
容易混淆
F1 vs 精確率 精確率看你說「是」的時候，有多少是真的。 F1 會把精確率和召回率一起納入。 最關鍵的區別：只看判斷準不準，還是同時看漏不漏。
F1 vs 召回率 召回率看真正的正例有多少被抓到。 F1 不允許只顧抓全而忽略誤報。 最關鍵的區別：只追求找全，還是找全又要找準。
F1 vs 準確率 準確率容易被多數類別撐高。 F1 在資料不平衡時通常更可靠。 最關鍵的區別：有沒有被多數類別騙到。
記住這句就好
精確率看準不準，召回率看全不全，F1 看兩者平衡。
實際案例
垃圾郵件過濾 如果模型只顧少誤判，可能會把很多真正垃圾信放進收件匣。 Before：只看準確率。After：改看 F1，才看得出模型是不是真的好。
癌症篩檢 醫療場景通常很怕漏掉病人，也怕誤報太多造成壓力。 Before：只看單一指標。After：用 F1 先看整體平衡，再依風險決定是否加權。
算法與應用
F1 = 2 × Precision × Recall / (Precision + Recall)，這是調和平均，不是算術平均。
只要精確率或召回率其中一個很低，F1 就會被拉下來。
如果誤報和漏報的重要性不一樣，還可以看 F0.5 或 F2 這類變體。
情境判斷
Q1（直覺題）： 一個模型精確率很高、召回率很低，F1 會怎樣？
→ 它不會高，因為 F1 會被低召回率拖下來，表示模型不是平衡的好模型。
Q2（判斷題）： 漏報比誤報更嚴重時，F1 仍然是最好的選擇嗎？
→ 看情況。若你明顯偏重召回率，F2 通常更合適；如果誤報更可怕，則可能要看 F0.5。
iPAS 考題
Q：F1 分數為什麼比準確率更適合不平衡資料？ → 因為它同時看精確率與召回率，不容易被多數類別撐高。
Q：F1 分數怎麼算？ → F1 = 2PR/(P+R)，是精確率與召回率的調和平均。
常見問題
F1 的範圍是多少？
介於 0 到 1 之間，越接近 1 代表平衡越好。
怎麼改善 F1？
可以調閾值、補資料、做特徵工程，或換成更合適的模型。
多類別分類能用嗎？
可以，常見做法是算 Macro-F1 或 Weighted-F1。