Präzision, Rückruf und F1-Score sind wichtige Metriken, die zur Bewertung der Leistung von Klassifizierungsmodellen verwendet werden. Das Verständnis der Berechnung und Interpretation dieser Metriken hilft bei der Beurteilung der Wirksamkeit von Modellen für maschinelles Lernen in verschiedenen Anwendungen.

Berechnung der Präzision

Die Präzision misst den Anteil der wirklich positiven Vorhersagen unter allen positiven Vorhersagen des Modells und gibt an, wie viele der vorhergesagten positiven Fälle tatsächlich positiv sind.

Die Formel für Präzision lautet:

Präzision = True Positives / (True Positives + False Positives)

Berechnung des Rückrufs

Recall, auch bekannt als Sensitivität, misst den Anteil der tatsächlichen positiven Fälle, die vom Modell korrekt identifiziert werden, und spiegelt die Fähigkeit des Modells wider, positive Fälle zu erkennen.

Die Formel für den Rückruf lautet:

Recall = True Positives / (True Positives + False Negatives)

Berechnung des F1-Scores

Der F1-Wert ist das harmonische Mittel von Präzision und Rückruf. Er bietet ein ausgewogenes Maß, das beide Metriken berücksichtigt, besonders nützlich, wenn die Klassenverteilung ungleichmäßig ist.

Die Formel für den F1-Score lautet:

F1 Score = 2 * (Präzision * Rückruf) / (Präzision + Rückruf)

Interpretation der Metriken

Die meisten positiven Ergebnisse werden in der Regel als positiv bezeichnet, während die meisten positiven Ergebnisse identifiziert werden. Der F1-Score gleicht diese beiden Aspekte aus. Je nach Anwendung kann es notwendig sein, eine Metrik gegenüber den anderen zu priorisieren.

In der medizinischen Diagnose ist beispielsweise die Rückrufaktion wichtiger, um sicherzustellen, dass keine positiven Fälle übersehen werden.