Modellleistung bewerten
Genauigkeit, F1-Score und Fehlermetriken.
Modellleistung bewerten ist eine kostenlose Python For Kids-Lektion auf CoddyKit. Dies ist Lektion 5 von 5. 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 Python For Kids-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python For Kids-Kurs umfasst insgesamt 5 Lektionen.
Metriken zur Modellevaluation
Modellleistung evaluieren
Die Bewertung der Leistung eines Machine-Learning-Modells ist entscheidend, um seine Wirksamkeit sicherzustellen. Für Klassifizierungsprobleme verwenden Sie Metriken wie Genauigkeit, Precision, Recall und F1-Score.
Genauigkeit
Die Genauigkeit misst das Verhältnis der korrekt vorhergesagten Instanzen zur Gesamtzahl der Instanzen:
Accuracy = (True Positives + True Negatives) / Total Instances
Obwohl die Genauigkeit nützlich ist, reicht sie allein bei unausgewogenen Datensätzen möglicherweise nicht aus.
Precision
Precision konzentriert sich auf die Korrektheit positiver Vorhersagen:
Precision = True Positives / (True Positives + False Positives)
Eine hohe Precision bedeutet, dass weniger False Positives auftreten.
Recall
Recall misst, wie gut das Modell alle positiven Instanzen korrekt erkennt:
Recall = True Positives / (True Positives + False Negatives)
Ein hoher Recall bedeutet, dass weniger False Negatives auftreten.
F1-Score
Der F1-Score ist das harmonische Mittel aus Precision und Recall:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Er stellt ein ausgewogenes Verhältnis zwischen Precision und Recall her und ist besonders bei unausgewogenen Datensätzen nützlich.
scikit-learn für Metriken verwenden
Scikit-learn stellt Funktionen zur Berechnung dieser Metriken bereit:
from sklearn.metrics import precision_score, recall_score, f1_score
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1 Score: {f1:.2f}")Konfusionsmatrix
Eine Konfusionsmatrix bietet eine detaillierte Übersicht über die Leistung des Modells:
- True Positives (TP): Korrekte positive Vorhersagen.
- False Positives (FP): Falsche positive Vorhersagen.
- True Negatives (TN): Korrekte negative Vorhersagen.
- False Negatives (FN): Falsche negative Vorhersagen.
Die richtige Metrik auswählen
Die Wahl der Metrik hängt vom jeweiligen Problem ab:
- Genauigkeit: Eignet sich gut für ausgewogene Datensätze.
- Precision: Wichtig, wenn False Positives kostspielig sind.
- Recall: Entscheidend, wenn False Negatives kostspielig sind.
- F1-Score: Ausgewogene Metrik für unausgewogene Datensätze.
Zusammenfassung und nächste Schritte
In dieser Lektion haben Sie Folgendes behandelt:
- Metriken zur Bewertung der Modellleistung: Genauigkeit, Precision, Recall und F1-Score.
- Die Berechnung dieser Metriken mit scikit-learn.
- Die Interpretation einer Konfusionsmatrix.
Als Nächstes untersuchen Sie unüberwachte Lernverfahren wie Clustering.
Häufig gestellte Fragen
Ist die Lektion „Modellleistung bewerten“ kostenlos?
Ja — der vollständige Text von „Modellleistung bewerten“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python For Kids-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python For Kids-Kurs umfasst insgesamt 5 Lektionen.
Was lerne ich in „Modellleistung bewerten“?
Genauigkeit, F1-Score und Fehlermetriken. Du übst Python For Kids 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 Python For Kids zu starten?
Keine Vorkenntnisse erforderlich. Python For Kids 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 5 von 5.
Wie lange dauert die Lektion „Modellleistung bewerten“?
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 Python For Kids-Lektion Code schreiben und ausführen?
Ja. Jede Python For Kids-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
- Das Konzept der linearen Regression
- Lineare Regression in Python implementieren
- Das Konzept der logistischen Regression
- Logistische Regression implementieren
- Modellleistung bewerten