Die Fläche unter der Kurve (Area Under the Curve, AUC) ist eine Kennzahl für Klassifikationsmodelle, meist bezogen auf die ROC-Kurve. Sie gibt an, wie gut ein Modell positive von negativen Fällen trennt – unabhängig von einem bestimmten Schwellenwert. Ein Wert von 1 bedeutet perfekte Trennung, 0,5 entspricht Raten. Beispiel: Ein Kündigungsmodell mit AUC 0,85 stuft einen zufällig gewählten Kündiger in 85 % der Fälle riskanter ein als einen treuen Kunden.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDie ROC-Kurve (Receiver Operating Characteristic) zeigt, wie gut ein Klassifikationsmodell zwei Klassen trennt. Sie trägt für alle möglichen Entscheidungsschwellen die Trefferquote (Recall) gegen die Rate der Fehlalarme auf. Je weiter die Kurve in die linke obere Ecke ragt, desto besser; die Diagonale entspricht reinem Raten. Die Fläche darunter (AUC) fasst die Kurve in einer Zahl zusammen und hilft etwa beim Vergleich verschiedener Modelle zur Betrugserkennung.
Der F-Score ist eine Kennzahl zur Bewertung von Klassifikationsmodellen. Das gebräuchliche F1-Maß ist das harmonische Mittel aus Präzision (wie viele der gefundenen Treffer stimmen) und Recall (wie viele der tatsächlichen Treffer gefunden wurden) und liegt zwischen 0 und 1. Es ist besonders nützlich bei unausgewogenen Daten: Ein Spamfilter, der fast nie Spam meldet, hat hohe Genauigkeit, aber einen niedrigen F1-Wert.
Eine Konfusionsmatrix ist eine Tabelle, die die Vorhersagen eines Klassifizierers den tatsächlichen Klassen gegenüberstellt. Bei zwei Klassen zeigt sie richtig positive, falsch positive, richtig negative und falsch negative Fälle. Daraus lassen sich Kennzahlen wie Präzision, Recall und F1-Score berechnen und erkennen, welche Fehler auftreten. Beispiel: Ein Spamfilter, der viele echte E-Mails als Spam markiert, hat viele falsch positive Fälle – das ist oft teurer als ein übersehener Spam.
Log Loss (logarithmischer Verlust) misst, wie gut die vorhergesagten Wahrscheinlichkeiten eines Klassifikationsmodells zu den tatsächlichen Ergebnissen passen. Sichere, aber falsche Vorhersagen werden besonders stark bestraft; ein Wert nahe null bedeutet gut kalibrierte Prognosen. Beispiel: Schätzt ein Modell 95 % Kündigungswahrscheinlichkeit für einen Kunden, der bleibt, steigt der Log Loss deutlich. Mathematisch entspricht er der binären Kreuzentropie.
