在 QA 中，它是根据预测中的各个单词与真实答案中的单词进行计算的。预测和真实之间的共享词数是F1得分的基础：精度是共享词数与预测中的总词数的比率，召回率是共享词数的比率到ground truth中的单词总数。

来源

这真的取决于你在寻找你的模型做什么。例如，假阴性或假阳性真的会花费您的研究（或您的业务）吗？此外，考虑您的标签（类别）分布也非常重要。

如果您只想获得最高的准确性，并且您的班级分布没有任何问题（我相信您的情况可能没有），那么准确性工作得很好。

如果您需要在准确率和召回率之间寻求平衡并且类别分布不均匀，F1 分数可能是一个更好的选择。