本部落格的截圖均來自zeya的post：Essential Things You Need to Know About F1-Score | by Zeya | Towards Data Science
F1-score的定義：準確率（precision）和召回率（recall）的調和平均（harmonic mean）
這裡主要理解一下為什麼使用調和平均，從“調和”這個詞出發也可以知道，調和平均可以使得recall和precision之間的差距較小，否則F1會很小，這個很小的幅度比幾何平均、算數平均來的還要快，以下是三種平均值的定義：
按照zeya的說法，如果我們谷歌搜為什麼F1分數使用調和平均，則會得到類似“調和平均會懲罰不相等的數對懲罰的更厲害”（harmonic mean penalises unequal values more）和“調和平均會懲罰極值”（harmonic mean punishes extreme values），具體理解調和平均相對於另外兩種平均的優勢可以看下圖：
此網址是上圖的動態圖：Online Graph Maker · Plotly Chart Studio
平面的兩個座標軸是召回率和準確率，紫色的點是調和平均的值，綠色的點是幾何平均的值，紅色的點是算數平均的值，讓我們來看坐下角的值：
從上圖我們可以知道，對於相同的（precision=1，recall=0.05）數對，紫色的調和平均給的分數最低，也就是懲罰這種不平均、不平衡或是有極值的（準確率，召回率）數對懲罰的最厲害，從整體上看，紫色的最彎曲，意味著對於相同的（precision，recall）座標，調和平均的分數不會比其他兩種高。