Recall (Trefferquote, Sensitivität) misst, welchen Anteil der tatsächlich positiven Fälle ein Modell erkennt: richtig erkannte Positive geteilt durch alle echten Positiven. Findet ein Betrugsfilter 80 von 100 echten Betrugsfällen, liegt der Recall bei 0,8. Hoher Recall ist wichtig, wenn verpasste Fälle teuer sind, etwa bei Krankheitsdiagnosen. Da er Fehlalarme nicht berücksichtigt, wird er meist zusammen mit der Präzision betrachtet, zum Beispiel im F-Score.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDer 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.
Die 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.
Mean Average Precision (mAP) ist eine Kennzahl, die bewertet, wie gut ein System relevante Ergebnisse findet und weit oben einordnet. Für jede Anfrage oder Objektklasse wird die durchschnittliche Präzision über die Trefferliste berechnet; mAP ist der Mittelwert über alle. Die Kennzahl ist Standard bei Suchmaschinen, Empfehlungssystemen und der Objekterkennung in Bildern, wo sie zusätzlich von der geforderten Überlappung der Begrenzungsrahmen abhängt.
