P-R图直观的显示出学习器在样本总体上的查全率和查准率，在进行比较时，若一个学习器的P-R曲线被另一个学习器的曲线完全包住则后者的性能优于前者，比如A比C好。
如果发生交叉现象则可以用F1度量：
$F1=\frac{2 * P * R}{P + R}$
一般形式（表达出对查准率/查全率的不同偏好）：
$F_{\beta}=\frac{(1 + \beta^{2}) * P * R}{(\beta^{2} * P) + R}$
$F_{\beta}$是加权调和平均：
$\frac{1}{F_{\beta}}=\frac{1}{1 + \beta^{2}} (\frac{1}{P} + \frac{\beta^{2}}{R})$
其中$\beta>0$度量了查全率对查准率的相对重要程度，$\beta=1$退化为标准的F1，$\beta>1$时查全率有更大影响，$\beta<1$查准率有更大的影响。