F1 分数对精度和召回的权重相等，但是对于您考虑召回的任何情况，都可以轻松概括$\beta$比精确更重要。请参阅https://en.wikipedia.org/wiki/F1_score：

$F_\beta = (1 + \beta^2) \frac{precision \cdot recall}{\beta^2 precision + recall}$

F1 只是调和平均值。简单的平均值不太有意义，因为精度和召回率具有相同的分子（真阳性）但分母不同（测试阳性，条件阳性）。所以只有调和平均值才有意义。我不知道是否还有比这更多的理论——最简单的加权平均值是有意义的。

我想我明白了你的要点，我将其解释为精度在分母中具有“测试阳性”这一事实，因此对分类器标记为阳性的程度非常敏感。出于这个原因，您不会经常看到例如精确召回曲线。您会看到 ROC 曲线，它们是召回特异性曲线（真阳性率与假阳性率）。

这更接近您的建议，但您建议的是 PPV 与 NPV。当然，根据您的用例，这可能是有效的，但我认为这个论点倾向于另一种方式，而不是召回特异性，而不是精确 NPV。

如果它纯粹是一个二元分类问题（A 类与 B 类），那么 F 分数的好处主要是用于表征不平衡数据集的性能（一个类的实例多于另一个）和您的问题/担忧更相关。F 分数状态的 Wikipedia 页面

“但是请注意，F 度量没有考虑真正的否定，并且诸如 Phi 系数、马修斯相关系数、知情度或 Cohen 的 kappa 之类的度量可能更适合评估二元分类器的性能。 ”

但是，如果分类器打算成为一个检测器，那么人们通常对目标类（正）的性能比非目标类（负）更感兴趣。此外，目标通常是数据集中代表性不足的目标。在这种情况下，我认为想知道检测到目标的比例（召回）以及每次检测的可靠性/可信度（精度）更直观。虽然知道检测器在不检测非目标方面有多好（负预测值）可能有价值，但在尝试用不平衡的数据集描述目标检测器的性能时，处理它并不是一个非常有见地的量。

简而言之，F-score 调优参数 ($\beta$) 提供了一种更直观的方法来平衡检测所有目标的重要性（高召回率）和高置信度检测的重要性（高精度）。另请注意，F 分数可以用 I 型和 II 型错误来编写（请参阅上面的 Wikipedia 链接）。