Metriken

Confusion Matrix

Confusion Matrix Sklearn

Eine Tabelle die anzeigt wie die Daten klassifiziert wurden und wie es richtig gewesen wäre

Beispiel:

Accuracy

---

Accuracy Sklearn Allgemein wird oft „Accuracy“ also „Genauigkeit“ als grundlegender Wert für die Treffsicherheit genannt. Jedoch erweist sich dieser Wert in vielen Anwendungsszenarien als trügerisch und manchmal als völlig sinn frei.

Er wird definiert mit: $Accuracy=\frac{AnzahlkorrekteKlassifizierung}{AnzahlalleKlassifizierungen}$ Umso höher der Wert (Maximum ist 1), umso genauer, akkurater ist unser Classifier.

Precision

---

Precision Sklearn Precision erlaubt eine Einordnung der Genauigkeit in Hinblick auf falsch positive Ergebnisse eines Classifiers. Falsch negative Ergebnisse bleiben außen vor. $Precision=\frac{richtigPositiv}{richtigPositiv+falschPositiv}$ Der Wertebereich sollte ebenfalls nahe bei „1“ oder 100% liegen.

Recall

---

Recall Sklearn Der Recall-Score erlaubt die Einordnung der Ergebnisse in Hinblick auf die Rate von falsch negativen Klassifikationen eines Classifiers. Er ist der Gegenspieler der Precision. $Recall=\frac{richtigPositiv}{richtigPositiv+falschNegativ}$ Der Werte Bereich sollte ebenfalls nahe bei „1“ oder 100% liegen.

F1 Score

---

F1 Score Sklearn Der F1-Score erlaubt eine Einschätzung bezüglich der allgemeinen Genauigkeit eines Classifiers. Er verbindet dabei die Ergebnisse der Precision und des Recall. $F1-Score=\frac{2\cdot Precision\cdot Recall}{Precision+Recall}$

Over- and Underfitting

---