好吧，它高度依赖于您的用例以及您的数据是如何分布的。

让我在实践中分解利弊：

F1-分数

优点：

• 考虑数据的分布方式。当您有不平衡类的数据时很有用。

缺点：

• 难以解释。精度和召回率比 f1-score 更易于解释，因为它衡量的是 1 类错误和 2 类错误。但是，f1-score 衡量了这两者之间的权衡。
• 当正类是少数类时，在基本事实为正的地方切换时，分数非常敏感。

准确性

优点：

• 容易明白。

缺点：

• 它没有考虑数据的分布方式（下面的示例）。这个错误可能很关键，并可能导致错误的结论。

这是一个描述准确性缺点的示例。不失一般性，考虑一个二元分类任务。想象一下有一个数据，其中包含 100 个样本，其中 90 个负样本和 10 个正样本。假设您有一个预测所有否定的分类器。您将获得 90% 的准确率，但让我们考虑 f1 分数，您实际上会得到 0，因为您的召回率（这是 f1 分数的一个组成部分）为 0。

在实践中，对于多类分类模型（这是您的用例），准确性最受青睐。f1 通常用于类高度不平衡的多标签或二元标签。