F1-Score: Was ist das? Formel, Rechenbeispiel und gute Werte

ProduktivbetriebEvaluierungVeröffentlicht Von Simon Budziak

Der F1-Score ist das harmonische Mittel aus Precision und Recall, eine einzelne Zahl zwischen 0 und 1. Er ist nur dann hoch, wenn ein Klassifikator die meisten echten Positiven findet und wenige Fehlalarme auslöst. Deshalb ist er die übliche Kennzahl für unausgewogene Probleme wie Betrug, Spam oder Dokumentenextraktion.

Wie berechnet man den F1-Score?

F1 verbindet Precision und Recall über ein harmonisches Mittel. F1 = 2 × Precision × Recall / (Precision + Recall), vereinfacht 2TP / (2TP + FP + FN) (Google Machine Learning Crash Course, zuletzt aktualisiert am 12. Januar 2026). Precision ist TP / (TP + FP), der Anteil der Markierungen, die zutrafen; Recall ist TP / (TP + FN), der Anteil der echten Positiven, die gefunden wurden.

Ein Rechenbeispiel: 1.000 Schadensmeldungen bei einer Versicherung, davon 50 betrügerisch. Das Modell markiert 60, und 40 davon sind Betrug, also TP = 40, FP = 20, FN = 10. Die Precision beträgt 40 / 60 = 0,67, der Recall 40 / 50 = 0,80 und F1 = 80 / (80 + 20 + 10) = 0,73. Das harmonische Mittel liegt näher am schwächeren der beiden Werte, sodass sich ein Modell keinen hohen F1-Score mit einer starken und einer schwachen Kennzahl erkaufen kann.

F1-Score vs. Accuracy: Welcher Kennzahl sollte man trauen?

Accuracy belohnt es, die Mehrheitsklasse vorherzusagen, F1 nicht, wie drei Modelle auf denselben 1.000 Schadensmeldungen zeigen:

Modell Accuracy Precision Recall F1
Markiert nichts 0,95 nicht definiert 0,00 0,00
Markiert alles 0,05 0,05 1,00 0,10
Das Modell oben 0,97 0,67 0,80 0,73

Accuracy bewertet das nutzlose erste Modell mit 95 Prozent, weil es jede legitime Meldung richtig einordnet. F1 ignoriert die richtig Negativen, deshalb kann die Mehrheitsklasse ihn nicht aufblähen. Das ist zugleich sein blinder Fleck: F1 sagt nichts darüber, wie das Modell mit den Negativen umgeht. Lesen Sie deshalb die Rate der False Positives daneben, wenn fälschlich markierte Kunden Kosten verursachen.

Was ist ein guter F1-Score?

Es gibt keine allgemeingültige Schwelle; vergleichen Sie mit der trivialen Baseline. Ein Modell, das alles markiert, erreicht 2p / (1 + p), wobei p der Anteil der Positiven ist: etwa 0,10 bei 5 Prozent positiven Fällen und 0,67 bei ausgewogenen Daten. Ein Wert von 0,6 kann daher bei seltenem Betrug ein starkes Ergebnis sein und bei einer ausgewogenen Klassifikation schlechter als Raten. Veröffentlichte Ergebnisse geben ein Gefühl für die Größenordnung: SQuAD meldete einen F1-Wert von 51,0 % für ein logistisches Regressionsmodell gegenüber 86,8 % für Menschen (Rajpurkar et al., abgerufen am 16. November 2026). Ein guter F1-Score schlägt die triviale Baseline auf Daten, die gegen eine verlässliche Ground Truth bewertet wurden. Wenn verpasste Fälle und Fehlalarme unterschiedlich viel kosten, gewichtet F-beta sie: In scikit-learn gilt „beta = 2 makes recall twice as important as precision“ (fbeta_score-Dokumentation, abgerufen am 16. November 2026).

Wie funktioniert F1 bei Mehrklassenmodellen und in sklearn?

f1_score in scikit-learn 1.9.1 verwendet standardmäßig average='binary' und bewertet nur das positive Label (f1_score-Dokumentation, abgerufen am 16. November 2026). Bei mehr als zwei Klassen wählen Sie eine Mittelung:

average Wie die Klassen kombiniert werden Sinnvoll, wenn
macro Ungewichteter Mittelwert der F1-Werte pro Klasse Seltene Klassen genauso zählen wie häufige
micro Globale Zählung von TP, FP und FN Sie eine einzige Gesamtrate wollen
weighted Mittelwert, gewichtet nach dem Support jeder Klasse Sich die Klassenhäufigkeit widerspiegeln soll

Macro F1 entlarvt ein Modell, das eine seltene Klasse ignoriert; Micro F1 verdeckt es. Hat eine Klasse weder vorhergesagte noch echte Positive, liefert die Voreinstellung zero_division='warn' den Wert 0 und gibt eine Warnung aus. Berichten Sie die Werte pro Klasse neben dem Mittelwert, denn eine einzelne Zahl kann die Klasse verbergen, die versagt.

Dieser Eintrag wurde mit AI-Unterstützung verfasst.

Häufig gestellte Fragen

Ist ein F1-Score von 0,8 gut?

Oft, aber nur im Vergleich mit einer Baseline. Bei Daten mit 5 Prozent positiven Fällen erreicht man durch das Markieren aller Fälle etwa 0,1, also ist 0,8 ein großer Sprung; bei ausgewogenen Daten bringt derselbe Trick 0,67, also ist 0,8 nur ein bescheidener.

Was ist der Unterschied zwischen F1-Score und Accuracy?

Accuracy zählt jede richtige Vorhersage, auch die richtig Negativen. F1 ignoriert die richtig Negativen und bewertet nur, wie gut das Modell die positive Klasse findet. Deshalb lässt er sich nicht dadurch aufblähen, dass man die Mehrheitsklasse vorhersagt.

Diese Seite zusammenfassen mit

Ihr Team schulen, damit es das selbst baut