Bei überwachten Klassifizierungsproblemen ist die Bewertung der Leistung eines Modells unerlässlich. Metriken wie Präzision, Rückruf und F1-Score geben Aufschluss darüber, wie gut das Modell verschiedene Klassen vorhersagt. Zu verstehen, wie diese Metriken berechnet werden, hilft bei der Auswahl und Abstimmung von Modellen effektiv.

Präzision

Die Präzision misst den Anteil der positiven Vorhersagen, die korrekt sind, und berechnet sich als die Anzahl der wahren Positiven geteilt durch die Summe der wahren Positiven und der falschen Positiven.

Die Formel für Präzision lautet:

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

Rückruf

Die Rückruffunktion, auch bekannt als Empfindlichkeit, misst den Anteil der tatsächlich positiven Werte, die korrekt identifiziert werden, und wird berechnet als die Anzahl der echten positiven Werte geteilt durch die Summe der echten positiven Werte und der falschen negativen Werte.

Die Formel für den Rückruf lautet:

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

F1 Bewertung

Der F1-Wert kombiniert Präzision und Rückruf in einer einzigen Metrik, indem er ihren harmonischen Mittelwert berechnet.

Die Formel für den F1-Score lautet:

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

Zusammenfassung

  • Präzision zeigt die Genauigkeit positiver Vorhersagen an.
  • Recall misst die Fähigkeit, alle positiven Instanzen zu identifizieren.
  • Der F1-Score gleicht Präzision und Rückruf in eine einzige Metrik aus.