Precision, Recall und F1
Zwischen verschiedenen Fehlertypen abwägen
Precision, Recall und F1 ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Why Accuracy Falls Short
When one class is rare, accuracy can look great while the model misses everything that matters. You need sharper metrics like precision and recall. 🎯
Precision Defined
Precision asks: of all the cases I flagged as positive, how many were truly positive? It measures how trustworthy a yes really is.
precision = TP / (TP + FP)When Precision Matters
High precision matters when false alarms are costly, like marking a real email as spam. You want every flag to be correct.
Recall Defined
Recall asks: of all the truly positive cases, how many did I catch? It measures how good the model is at not missing things.
recall = TP / (TP + FN)When Recall Matters
High recall matters when misses are dangerous, like screening for a disease. Catching every real case outweighs a few false alarms.
The Tug of War
Precision and recall usually pull against each other. Flag more cases and you catch more but raise false alarms. It is a trade-off.
Enter the F1 Score
The F1 score blends precision and recall into one number using their harmonic mean, rewarding models that balance both well.
f1 = 2 * (precision * recall) / (precision + recall)Why Harmonic Mean
The F1 uses a harmonic mean so a low score on either side drags it down. You cannot fake it by acing just one metric.
Get Them in One Call
You do not compute these by hand. The classification report prints precision, recall, and F1 for every class at once.
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))Pick the Metric to Optimize
Let the problem decide. Optimize recall when misses hurt, precision when false alarms hurt, and F1 when you need a balance.
Watch the Averaging
With many classes, choose how to average. Macro treats classes equally, weighted accounts for class size. The choice changes the story.
f1_score(y_true, y_pred, average='macro')Quick Check
Let's make sure precision and recall stay straight in your mind.
Recap
Precision trusts your yes, recall catches the positives, and F1 balances both. Let the cost of each mistake guide your choice. 🎯
Häufig gestellte Fragen
Ist die Lektion „Precision, Recall und F1“ kostenlos?
Ja — der vollständige Text von „Precision, Recall und F1“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Precision, Recall und F1“?
Zwischen verschiedenen Fehlertypen abwägen Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Precision, Recall und F1“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Regressionsmetriken: MAE, MSE, R2
- Die Konfusionsmatrix entschlüsselt
- Precision, Recall und F1
- ROC, AUC und Schwellenwerte