F1 é sempre melhor que acurácia?
Não. A métrica adequada depende da distribuição dos dados, do custo dos erros e da decisão que será tomada.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
F1 · F-score · Medida F1
F1 Score é a média harmônica entre precisão e recall, usada para resumir o equilíbrio entre falsos positivos e falsos negativos em uma única métrica.
O valor varia de zero a um, e só fica alto quando precisão e recall também estão altos.
A média harmônica penaliza desequilíbrios: um resultado muito baixo em uma das duas métricas limita o F1.
O cálculo é duas vezes o produto de precisão e recall dividido pela soma das duas métricas.
Em problemas com várias classes, é preciso declarar como os resultados foram agregados, por exemplo macro, micro ou ponderado.
Um classificador de solicitações alcança precisão de 80% e recall de 50%. Seu F1 é aproximadamente 61,5%, revelando que a cobertura baixa limita o equilíbrio.
F1 não considera verdadeiros negativos e pressupõe, em sua forma comum, peso equivalente para precisão e recall.
Uma única pontuação pode ocultar diferenças entre classes, grupos e limiares. O protocolo e as métricas componentes devem acompanhar o valor.
Precisão, Recall, Classificação, Matriz de confusão, Benchmark
Não. A métrica adequada depende da distribuição dos dados, do custo dos erros e da decisão que será tomada.
É a média do F1 calculado separadamente para cada classe, dando peso igual a cada uma.
Revisado em 2026-10-18.