Klassifikationsbewertung

« Zurück zum Glossar Index

Bild von maniacvector auf Freepik

Klassifikationsbewertung bezeichnet die Messung der Qualität eines Klassifikationsmodells in maschinellem Lernen. Sie hilft zu bestimmen, wie gut ein Modell Daten in die richtigen Klassen einteilt. Dafür werden verschiedene Metriken verwendet, die von der Problemstellung abhängen.

Wichtige Metriken der Klassifikationsbewertung

1️⃣ Genauigkeit (Accuracy)

Die Accuracy misst, wie viele Vorhersagen insgesamt korrekt sind. Accuracy=Anzahl korrekter VorhersagenGesamtanzahl der VorhersagenAccuracy = \frac{\text{Anzahl korrekter Vorhersagen}}{\text{Gesamtanzahl der Vorhersagen}}

🔹 Gut bei ausgeglichenen Datensätzen, aber ungeeignet bei unausgeglichenen Klassenverteilungen (z. B. 95 % der Daten gehören zur gleichen Klasse).

---

2️⃣ Präzision (Precision)

Die Precision gibt an, wie viele der als positiv klassifizierten Instanzen tatsächlich positiv sind. Precision=True Positives (TP)True Positives (TP)+False Positives (FP)Precision = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}}

🔹 Wichtig, wenn falsch-positive Fehler teuer sind (z. B. Spam-Erkennung: Ein echtes E-Mail darf nicht fälschlicherweise als Spam klassifiziert werden).

---

3️⃣ Rekall (Recall) / Sensitivität

Der Recall gibt an, wie viele der tatsächlich positiven Instanzen vom Modell richtig erkannt wurden. Recall=True Positives (TP)True Positives (TP)+False Negatives (FN)Recall = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}}

🔹 Wichtig, wenn falsch-negative Fehler problematisch sind (z. B. Krebsdiagnose: Eine kranke Person darf nicht als gesund klassifiziert werden).

---

4️⃣ F1-Score

Der F1-Score ist das harmonische Mittel aus Precision und Recall und bietet einen guten Kompromiss zwischen beiden. F1=2×Precision×RecallPrecision+RecallF1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}

🔹 Geeignet für unausgeglichene Datensätze, da er sowohl falsch-positive als auch falsch-negative Fehler berücksichtigt.

---

5️⃣ ROC-Kurve & AUC-Wert

• Die ROC-Kurve (Receiver Operating Characteristic) zeigt das Verhältnis von True Positive Rate (TPR, also Recall) und False Positive Rate (FPR) bei verschiedenen Schwellenwerten.
• Der AUC-Wert (Area Under Curve) misst die Fläche unter der ROC-Kurve – je näher an 1, desto besser das Modell.

🔹 Ideal, um verschiedene Klassifikationsmodelle zu vergleichen.

---

---

Zusammenfassung

📌 Accuracy → Gut bei ausgeglichenen Daten.
📌 Precision → Wichtig, wenn falsch-positive Fehler teuer sind.
📌 Recall → Wichtig, wenn falsch-negative Fehler problematisch sind.
📌 F1-Score → Bester Kompromiss bei unausgeglichenen Klassen.
📌 AUC-ROC → Vergleich von Modellen unabhängig vom Schwellenwert.

Die Wahl der richtigen Metrik hängt vom spezifischen Problem ab. 🚀

Wir sind darum bemüht die angebotenen Informationen aktuell zu halten und diese in knapper und verständlicher Form darzustellen. Fehler und Irrtümer bleiben aber menschlich und darum vorbehalten. Bei Unstimmigkeiten zu einem Begriff, bitten wir darum dies per E-Mail mit uns zu diskutieren. Bitte nutze hierfür unsere E-Mail: info@jupiterexpress.de« Zurück zum Glossar Index