Precision, Recall und F1

Um über die Genauigkeit hinauszublicken, teilen Sie die Ergebnisse für jede Klasse in vier Kategorien auf. Daraus ergeben sich Precision, Recall und F1 – die wichtigen Metriken.

Wählen Sie die für Sie wichtige Klasse als positiv aus, etwa Spam oder Betrug. Precision und Recall beschreiben beide, wie gut Sie mit dieser Klasse umgehen.

Precision fragt: Wie viele der als positiv markierten Fälle waren tatsächlich positiv? Eine hohe Precision bedeutet wenige Fehlalarme.

Recall fragt: Wie viele der tatsächlich positiven Fälle haben Sie erkannt? Ein hoher Recall bedeutet, dass nur wenige Fälle übersehen werden.

Precision und Recall stehen meist in einem Zielkonflikt. Wenn Sie mehr Fälle markieren, steigt der Recall, aber die Precision sinkt; bei weniger Markierungen geschieht das Gegenteil.

Spamfilter legen Wert auf Precision, da das fälschliche Löschen echter E-Mails kostspielig ist. Bei Krebsscreenings ist Recall wichtiger, da ein übersehener Fall wesentlich schwerer wiegt.

Der F1-Score verbindet Precision und Recall mithilfe ihres harmonischen Mittels zu einer Zahl und belohnt Modelle, die beides gut beherrschen.

F1 verwendet das harmonische Mittel, damit ein Modell den Wert nicht vortäuschen kann. Wenn Precision oder Recall nahe null liegt, bleibt auch F1 niedrig.

scikit-learn gibt alle drei Werte gleichzeitig in einem übersichtlichen Klassifikationsbericht aus, den Sie für jede Klasse prüfen können.

Sie können auch direkt eine einzelne Metrik abrufen, wenn Sie nur den F1-Wert für die positive Klasse benötigen.

Keine Metrik ist überall die beste. Wählen Sie Precision, Recall oder F1 anhand der tatsächlichen Kosten jedes Fehlers in Ihrem Problem.

Precision begrenzt Fehlalarme, Recall begrenzt übersehene Fälle und F1 gleicht beides aus. Lassen Sie die Kosten jedes Fehlers die Metrik bestimmen. 📊