F1值是一種用於評估機器學習模型性能的指標，主要用於二分類問題。它同時考慮了模型的精確率（Precision）和召回率（Recall），是這兩個指標的調和平均數。F1值的計算公式爲F1=2×P×RP+R\text{F1} = 2 \times \frac{P \times R}{P + R}F1=2×P+RP×R，其中P表示精確率，R表示召回率。
精確率（Precision）和召回率（Recall）的計算公式分別爲Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}Precision=TP+FPTP和Recall=TPTP+FN\text{Recall} = \frac{TP}{TP + FN}Recall=TP+FNTP。其中，TP（真陽性）表示實際爲正且預測爲正的樣本數，FP（假陽性）表示實際爲負但預測爲正的樣本數，FN（假陰性）表示實際爲正但預測爲負的樣本數。
F1值的最佳值爲1，表示模型同時具有很高的精確率和召回率。如果F1值較高，通常說明模型在二分類問題上的性能較好。