Bewertung der Modellleistung: Berechnung von Genauigkeit, Präzision und Rückruf im überwachten Lernen

Die Bewertung der Leistung von Modellen des maschinellen Lernens ist für das Verständnis ihrer Wirksamkeit unerlässlich. Beim überwachten Lernen werden häufig Metriken wie Genauigkeit, Präzision und Rückruf verwendet, um zu messen, wie gut ein Modell die Ergebnisse vorhersagt.

Genauigkeit

Die Genauigkeit misst den Anteil der korrekten Vorhersagen aller getroffenen Vorhersagen und wird berechnet, indem die Anzahl der korrekten Vorhersagen durch die Gesamtzahl der Vorhersagen geteilt wird.

Während Genauigkeit nützlich ist, kann sie in unausgewogenen Datensätzen, in denen eine Klasse dominiert, irreführend sein.

Präzision und Rückruf

Präzision gibt den Anteil der wirklich positiven Vorhersagen unter allen positiven Vorhersagen des Modells an und spiegelt die Fähigkeit des Modells wider, falsch positive Vorhersagen zu vermeiden.

Recall, auch bekannt als Sensitivität, misst den Anteil der tatsächlichen Positiven, die vom Modell korrekt identifiziert wurden, und zeigt, wie gut das Modell positive Fälle erkennt.

Berechnung der Metriken

Diese Metriken werden aus der Verwirrungsmatrix abgeleitet, die wahre Positive (TP), falsche Positive (FP), wahre Negative (TN) und falsche Negative (FN) zusammenfasst.

Formeln: