我使用K折交叉验证来寻找一个最大化F1分数的参数。然而，我检查了准确率（1-错误率），结果发现虽然该参数带来了较高的F1分数，但准确率却较低。我随机尝试了几个其他参数值，尽管它们带来了较低的F1分数，但准确率却更高。我使用K折交叉验证对训练数据进行训练，并从原始训练数据中提取了一组测试数据。

回答：

F1 = 2 TP / (2 TP + FN + FP) 和 ACC = (TP + TN) / (TP + FN + FP + FN) 因此，如你所见，F1分数对正类有“偏见”，对负样本的正确分类（TN）几乎不给予奖励。而准确率是一个简单的概率对象（正确分类的概率有多大），F1分数则是许多相当随意的想法之一，旨在更关注一个类别（在这种情况下是正类），没有一个真正好的概率解释。因此，两者之间没有简单直接的关系——完全不同的模型可能会有好的F1分数，而完全不同的模型可能会有好的准确率。只有在你能有一个完美的模型（0错误）时，它才会同时最大化这两个度量（反之亦然，如果你有一个糟糕的模型，准确率为0）。在其他任何情况下，它们在某些点上都会出现分歧。