Nennen Sie die Qualitätsmetriken des binären Klassifikationsmodells und ihre Unterschiede?
sobes.tech KI
Antwort von AI
Die wichtigsten Qualitätsmetriken eines binären Klassifikationsmodells und ihre Unterschiede:
-
Genauigkeit (Accuracy) — Anteil der korrekt klassifizierten Objekte (sowohl positive als auch negative). Gut bei ausgeglichenen Klassen.
-
Präzision (Precision) — Anteil der wahren Positiven unter allen, die das Modell als positiv vorhergesagt hat. Wichtig, wenn falsche Positive kritisch sind.
-
Recall (Sensitivität, Trefferquote) — Anteil der wahren Positiven, die das Modell unter allen tatsächlichen Positiven richtig erkannt hat. Wichtig, um keine positiven Fälle zu verpassen.
-
F1-Score — harmonisches Mittel aus Precision und Recall, balanciert beide.
-
ROC-AUC — Fläche unter der ROC-Kurve, zeigt die Fähigkeit des Modells, Klassen bei verschiedenen Schwellen zu unterscheiden.
-
Log Loss (Logarithmischer Verlust) — Maß für die Qualität probabilistischer Vorhersagen, bestraft zu selbstsichere, aber falsche Vorhersagen.
Die Wahl der Metrik hängt von der Aufgabe ab: Zum Beispiel ist bei der Krankheitsdiagnose der Recall wichtig, um keine Kranken zu übersehen, während bei Spam die Precision entscheidend ist, um normale E-Mails nicht zu blockieren.