Rechner für Klassifikationsgenauigkeit

Die Klassifikationsgenauigkeit misst den Anteil aller Vorhersagen, die ein Modell richtig zugeordnet hat. Dafür werden richtig positive und richtig negative Fälle addiert und durch sämtliche Beobachtungen der Konfusionsmatrix geteilt. Genauigkeit ist anschaulich, sollte aber selten allein interpretiert werden. Bei unausgeglichenen Klassen kann ein Modell fast immer die häufigste Klasse vorhersagen und dennoch eine hohe Genauigkeit erzielen, obwohl es gerade bei wichtigen Fällen versagt. Dieser Rechner zeigt deshalb fünf ergänzende Metriken für binäre Klassifikation. Präzision ist der Anteil tatsächlich positiver Fälle unter den positiv vorhergesagten: TP geteilt durch TP plus FP. Recall, auch Sensitivität genannt, ist der Anteil der tatsächlichen Positiven, die das Modell findet: TP geteilt durch TP plus FN. Spezifität beschreibt die Erkennung negativer Fälle: TN geteilt durch TN plus FP. Der F1-Wert ist das harmonische Mittel aus Präzision und Recall und belohnt eine ausgewogene Leistung, statt eine Kennzahl auf Kosten der anderen zu maximieren. Übertragen Sie Ihre Auswertung zunächst in eine Konfusionsmatrix. Ein richtig positiver Fall ist positiv und wird korrekt positiv vorhergesagt. Ein falsch positiver Fall ist negativ, wird aber fälschlich positiv vorhergesagt. Ein richtig negativer Fall wird korrekt negativ vorhergesagt, ein falsch negativer Fall ist ein übersehener positiver Fall. Alle vier Einträge müssen Anzahlen aus demselben Testdatensatz bei derselben Entscheidungsschwelle sein. Gemischte Prozentwerte, Trainingsbeobachtungen oder Ergebnisse unterschiedlicher Schwellen machen die Metriken ungültig. Welche Kennzahlen wichtiger sind, hängt vom Einsatz ab. Im medizinischen Screening kann eine übersehene Erkrankung schwer wiegen, weshalb Recall oft im Vordergrund steht. Bei Spamfiltern oder automatisierten Sanktionen können falsche Verdächtigungen teuer sein; hier ist Präzision wichtig. Spezifität hilft, wenn negative Fälle zuverlässig ausgeschlossen werden müssen. Vergleichen Sie Metriken auf demselben Datensatz, prüfen Sie die Klassenhäufigkeiten und berücksichtigen Sie Konfidenzintervalle, bevor Sie ein Modell als überlegen einstufen. Der Rechner liefert deterministische Punktschätzungen für schnelle Analysen, Dokumentation und Schwellenvergleiche; er ersetzt keine Validierung mit repräsentativen Daten.