F度量（F-measure）是一種同時兼顧查準率（precision）與查全率（recall）的度量方式，應用於資訊檢索（information retrieval）領域的成效評估，以方便不同技術或系統之間的成效比較。

　　評估資訊檢索系統的成效時，常將系統的判斷與人工的判斷做交叉分析。例如，針對某項檢索條件的相關文件（亦即答案文件，人工檢視所有文件後判斷為相關的文件），以及系統的檢出資料（亦即系統判斷的相關文件），分析其篇數分布，可列表如下：

文件篇數 判斷分析表		系統判斷
		相關	不相關
人工 判斷	相關	正確正例（true positive，簡稱TP）篇數	錯誤負例（false negative，簡稱FN）篇數
	不相關	錯誤正例（false positive，簡稱FP）篇數	正確負例（true negative，簡稱TN）篇數

　　則查準率的計算公式如下：P = TP / ( TP + FP )；而查全率的計算公式如下：R = TP / ( TP + FN )；而F度量的計算公式則為P與R的調和平均（harmonic mean）：F = 2 / ( 1 / P + 1 / R) = 2 * P * R / ( P + R ) = 2 * TP / ( 2*TP + FP + FN )。

　　F度量的一般化公式（general formula）為：Fb = (1+b*b) * P * R / ( b*b*P + R )，其中b為參數，控制查準率與查全率的權重。因此，F2表示較強調查全率，F0.5較強調查準率。
F度量又稱F分數（F-Score）或是F1分數（F1-Score），其源自於van Rijsbergen的E度量：Ea = 1–1 / ( a / P + (1–a) / R)，其中參數a與上述b的關係為a=1/(1+b*b)。當a=1/2時，E = 1–2 / ( 1 / P + 1 / R) = 1 - F。

　　在資訊檢索領域的文件自動分類研究裡，分類器的成效，也大多以F度量來評估，但常因文件有多重分類（一篇文件可以同時分屬多種類別）以及類別的文件篇數分不均的情形，F度量又細分為Micro-F與Macro-F兩種，其計算公式如下：

　　其中C是類別總數，i代表某一類別。由於Micro-F是全部文件一起累加統計，不分類別，因此容易受到少量的大類別（佔大多數文件）表現好壞的影響。相對的，Macro-F考慮每個類別的成效後再做平均，因此容易受到大量的小類別影響。將兩種平均數據都報告出來，可以瞭解大多數文件的分類效果（Micro-F），以及大多數類別的分類效果（Macro-F）。

　　F度量只能評估相關、不相關這種二分法判斷的結果。對於文件的相關判斷有超過兩種程度的區別時，例如，相關、部分相關、不相關等三種區別，則有最近幾年才被提出的貼現累計收益（discounted cumulative gain，簡稱DCG）可以運用。