Präzision (EN)

Präzision im Machine Learning

Die Präzision ist eine Metrik zur Bewertung von Klassifikationsmodellen, die den Anteil der korrekten positiven Vorhersagen an allen positiven Vorhersagen misst. Ein hoher Präzisionswert bedeutet, dass das Modell nur wenige falsch positive Ergebnisse erzeugt. Diese Metrik ist besonders wichtig in Anwendungen, bei denen die Kosten für falsch positive Ergebnisse hoch sind. Die Präzision wird oft im Verhältnis zum Recall betrachtet, um ein umfassendes Bild der Modellleistung zu erhalten.

Metrik-Berechnung

flowchart LR   A[True Positives TP] --> D[Präzision = TP / (TP + FP)]   B[False Positives FP] --> D   C[True Negatives TN] --> E[Recall = TP / (TP + FN)]   F[False Negatives FN] --> E 

Im Kontext

• Wird typischerweise zusammen mit Recall, F1-Score und ROC-AUC verwendet
• Verwandt zu: Recall, F1-Score, ROC-Kurve, Konfusionsmatrix
• Beispiel-Einsatz: Spam-Erkennung (hohe Präzision minimiert falsche Spam-Markierungen)