我想不出 F 度量的直观含义，因为它只是一个组合度量。当然，比 F-mesure 更直观的是精度和召回率。

但是使用两个值，我们通常无法确定一种算法是否优于另一种算法。例如，如果一种算法比另一种算法具有更高的精度但更低的召回率，那么你如何判断哪种算法更好？

如果您有一个特定的目标，例如“精确为王”。我不太在乎回忆'，那就没有问题了。精度越高越好。但是，如果您没有如此强烈的目标，您将需要一个综合指标。那是F-measure。通过使用它，您将比较一些精度和一些召回率。

通常绘制 ROC 曲线来说明 F 度量。您可能会发现这篇文章很有趣，因为它包含对包括 ROC 曲线在内的多种度量的解释：http: //binf.gmu.edu/mmasso/ROC101.pdf

F1 分数的重要性因目标变量的分布而异。让我们假设目标变量是一个二进制标签。

• Balanced class：在这种情况下，F1分数可以有效地忽略，错误分类率是关键。
• 不平衡类，但两个类都很重要：如果类分布高度偏斜（例如 80:20 或 90:10），则分类器只需选择多数类即可获得较低的误分类率。在这种情况下，我会选择在两个类上都获得高 F1 分数以及低误分类率的分类器。应忽略 F1 分数较低的分类器。
• 不平衡的类，但如果一个类比另一个类更重要的话。例如，在欺诈检测中，正确地将实例标记为欺诈比标记非欺诈实例更为重要。在这种情况下，我会选择仅在重要类上具有良好 F1 分数的分类器。回想一下，每个班级都有 F1 分数。

F-measure具有直观的意义。它告诉你你的分类器有多精确（它正确分类了多少实例），以及它有多健壮（它不会遗漏大量实例）。

具有高精度但低召回率的分类器非常准确，但它会遗漏大量难以分类的实例。这不是很有用。

看看这个直方图。忽略它的初衷。

向右，你会得到高精确度，但低召回率。如果我只选择分数高于 0.9 的实例，我的分类实例将非常精确，但是我会错过大量实例。实验表明，这里的最佳点在 0.76 左右，而 F-measure 为 0.87。

F-measure 是准确率和召回率的调和平均值。在大多数情况下，您需要在准确率和召回率之间进行权衡。如果你优化你的分类器来增加一个并且不喜欢另一个，调和平均值会迅速降低。然而，当准确率和召回率相等时，它是最好的。

给定分类器的 F 度量为 0.4 和 0.8，您可以预期这些是在权衡精度与召回率时达到的最大值。

如需视觉参考，请查看Wikipedia中的此图：

F-measure 是H，A和B是召回率和精度。你可以增加一个，然后另一个减少。