Welche Metriken der binären Klassifikation kennen Sie? Vor- und Nachteile jeder.

Die wichtigsten Metriken für binäre Klassifikation:

1. Genauigkeit (Accuracy)

   • Anteil richtig klassifizierter Objekte.
   • Vorteil: einfach und intuitiv.
   • Nachteil: funktioniert schlecht bei unausgeglichenen Klassen.

2. Präzision (Präzision positiver Vorhersagen)

   • Anteil der wahren Positiven unter allen vorhergesagten Positiven.
   • Vorteil: wichtig, wenn falsch positive Fehler kritisch sind.
   • Nachteil: berücksichtigt verpasste Positive nicht.

3. Recall (Sensitivität)

   • Anteil der vom Modell gefundenen wahren Positiven an allen echten Positiven.
   • Vorteil: wichtig, wenn das Übersehen von Positiven kritisch ist.
   • Nachteil: kann hoch sein bei vielen falsch positiven Ergebnissen.

4. F1-Score

   • Harmonisches Mittel aus Präzision und Recall.
   • Vorteil: balanciert zwischen Genauigkeit und Sensitivität.
   • Nachteil: berücksichtigt keine echten Negativen.

5. ROC AUC (Fläche unter der ROC-Kurve)

   • Bewertet die Fähigkeit des Modells, Klassen bei verschiedenen Schwellen zu unterscheiden.
   • Vorteil: unabhängig vom Klassifikationsschwellenwert.
   • Nachteil: kann bei starkem Ungleichgewicht weniger informativ sein.

6. Verwirrungsmatrix

   • Zeigt TP, FP, TN, FN für eine detaillierte Analyse.

Die Wahl der Metrik hängt von der Aufgabe ab und davon, welche Fehler kritischer sind – Übersehen oder falsche Alarme.