Konfusionsmatrix-Rechner
Dieser Rechner hilft Ihnen bei der Bewertung der Leistung von Klassifikationsmodellen mithilfe von Konfusionsmatrix-Metriken:
- Geben Sie die vier grundlegenden Konfusionsmatrix-Werte ein:
- Richtig Positive (TP): Korrekt vorhergesagte positive Fälle
- Richtig Negative (TN): Korrekt vorhergesagte negative Fälle
- Falsch Positive (FP): Fälschlicherweise als positiv vorhergesagte Fälle
- Falsch Negative (FN): Fälschlicherweise als negativ vorhergesagte Fälle
- Der Rechner berechnet:
- Genauigkeit: Gesamtanteil korrekter Vorhersagen
- Präzision: Positiver Vorhersagewert
- Trefferquote: Richtig-Positiv-Rate (Sensitivität)
- F1-Score: Harmonisches Mittel aus Präzision und Trefferquote
- Spezifität: Richtig-Negativ-Rate
- Falsch-Positiv- und Falsch-Negativ-Raten
Wichtige Metriken und ihre Formeln:
- Genauigkeit = (TP + TN) / (TP + TN + FP + FN)
Misst den Gesamtanteil korrekter Vorhersagen über alle Klassen
- Präzision = TP / (TP + FP)
Wie viele der als positiv vorhergesagten Fälle tatsächlich positiv sind
- Trefferquote = TP / (TP + FN)
Wie viele der tatsächlich positiven Fälle korrekt erkannt wurden
- F1-Score = 2 × (Präzision × Trefferquote) / (Präzision + Trefferquote)
Harmonisches Mittel zur Ausbalancierung von Präzision und Trefferquote
- Spezifität = TN / (TN + FP)
Wie viele der tatsächlich negativen Fälle korrekt erkannt wurden
Konfusionsmatrizen werden in verschiedenen Bereichen eingesetzt:
- Bewertung von Machine-Learning-Modellen
- Medizinische Diagnosetests
- Qualitätskontrollsysteme
- Betrugserkennung
- Spam-Filterung
- Bildklassifizierung
- Verarbeitung natürlicher Sprache
Auf welche Metrik sollte ich mich konzentrieren?
Das hängt von Ihrer Anwendung ab. Verwenden Sie die Genauigkeit für ausgewogene Datensätze, die Präzision, wenn falsch positive Ergebnisse kostspielig sind, die Trefferquote, wenn falsch negative Ergebnisse kostspielig sind, und den F1-Score, wenn Sie ein Gleichgewicht zwischen Präzision und Trefferquote benötigen.
Was ist der Unterschied zwischen Genauigkeit und Präzision?
Die Genauigkeit misst den Gesamtanteil korrekter Vorhersagen (sowohl positive als auch negative), während die Präzision sich nur auf die Genauigkeit der positiven Vorhersagen konzentriert. Eine hohe Genauigkeit bedeutet nicht immer eine hohe Präzision, besonders bei unausgewogenen Datensätzen.
Wann sollte ich den F1-Score verwenden?
Verwenden Sie den F1-Score, wenn Sie eine einzelne Metrik benötigen, die Präzision und Trefferquote ausbalanciert, besonders bei unausgewogenen Datensätzen. Er ist besonders nützlich, wenn sowohl falsch positive als auch falsch negative Ergebnisse ähnliche Kosten verursachen.