F\u00fcr beide Metriken gilt: Je h\u00f6her der Wert, desto besser ist ein Modell in der Lage, Beobachtungen in Klassen zu klassifizieren.<\/span><\/p>\n Allerdings wird jede Metrik nach einer anderen Formel berechnet und ihre Verwendung hat Vor- und Nachteile.<\/span><\/p>\n Das folgende Beispiel zeigt, wie jede Metrik in der Praxis berechnet wird.<\/span><\/p>\n Angenommen, wir verwenden ein logistisches Regressionsmodell, um vorherzusagen, ob 400 verschiedene College-Basketballspieler in die NBA eingezogen werden oder nicht.<\/span><\/p>\n Die folgende Verwirrungsmatrix fasst die vom Modell getroffenen Vorhersagen zusammen:<\/span> <\/p>\n So berechnen Sie verschiedene Metriken f\u00fcr die Verwirrungsmatrix:<\/span><\/p>\n Genauigkeit:<\/strong> Korrekte positive Vorhersagen im Verh\u00e4ltnis zur Gesamtzahl der positiven Vorhersagen<\/span><\/p>\n Erinnerung:<\/strong> Korrigieren Sie positive Vorhersagen anhand der gesamten tats\u00e4chlichen positiven Ergebnisse<\/span><\/p>\n Genauigkeit:<\/strong> Prozentsatz aller korrekt klassifizierten Beobachtungen<\/span><\/p>\n F1-Score:<\/strong> harmonischer Durchschnitt von Pr\u00e4zision und Erinnerung<\/span><\/p>\n Die Verwendung von F1-Score und -Genauigkeit hat Vor- und Nachteile.<\/span><\/p>\n Genauigkeit<\/strong> :<\/span><\/p>\n Pro<\/strong> : Leicht zu interpretieren. Wenn wir sagen, dass ein Modell zu 90 % genau ist, wissen wir, dass es 90 % der Beobachtungen richtig klassifiziert hat.<\/span><\/p>\n Nachteil<\/strong> : Ber\u00fccksichtigt nicht, wie die Daten verteilt werden. Nehmen wir zum Beispiel an, dass 90 % aller Spieler nicht in die NBA eingezogen werden. Wenn wir ein Modell h\u00e4tten, das einfach vorhersagt, dass jeder Spieler nicht gedraftet wird, w\u00fcrde das Modell das Ergebnis f\u00fcr 90 % der Spieler korrekt vorhersagen. Dieser Wert erscheint hoch, aber das Modell ist tats\u00e4chlich nicht in der Lage, korrekt vorherzusagen, welche Spieler gedraftet werden.<\/span><\/p>\n F1-Ergebnisse<\/strong> :<\/span><\/p>\n Pro<\/strong> : \u00dcberlegen Sie, wie die Daten verteilt werden. Wenn die Daten beispielsweise stark unausgeglichen sind (z. B. 90 % aller Spieler sind ungedraftet und 10 % sind es), dann liefert der F1-Score eine bessere Beurteilung der Leistung des Modells.<\/span><\/p>\n Nachteil<\/strong> : Schwieriger zu interpretieren. Der F1-Score ist eine Mischung aus Pr\u00e4zision und Modellerinnerung, was die Interpretation etwas schwieriger macht.<\/span><\/p>\n Allgemein:<\/span><\/p>\n Wir verwenden h\u00e4ufig Genauigkeit<\/strong> , wenn die Klassen ausgeglichen sind und es keine gro\u00dfen Nachteile bei der Vorhersage falsch-negativer Ergebnisse gibt.<\/span><\/p>\n Wir verwenden h\u00e4ufig den F1-Score<\/strong> , wenn die Klassen unausgeglichen sind und ein schwerwiegender Nachteil bei der Vorhersage falsch negativer Ergebnisse besteht.<\/span><\/p>\n Wenn wir beispielsweise ein logistisches Regressionsmodell verwenden, um vorherzusagen, ob eine Person Krebs hat oder nicht, sind falsch-negative Ergebnisse wirklich schlecht (z. B. die Vorhersage, dass eine Person keinen Krebs hat, wenn sie tats\u00e4chlich Krebs hat), sodass der F1-Score Modelle bestraft, die Krebs haben zu viele falsche Negative. mehr als Pr\u00e4zision.<\/span><\/p>\n Regression vs. Klassifizierung: Was ist der Unterschied?<\/a> Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir h\u00e4ufig zwei Metriken zur Bewertung der Modellqualit\u00e4t: F1-Score und Genauigkeit . F\u00fcr beide Metriken gilt: Je h\u00f6her der Wert, desto besser ist ein Modell in der Lage, Beobachtungen in Klassen zu klassifizieren. Allerdings wird jede Metrik nach einer anderen Formel berechnet und ihre Verwendung hat […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Berechnung des F1-Scores und der Genauigkeit<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\n
\n
Wann sollte der F1-Score im Vergleich zur Genauigkeit verwendet werden?<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Einf\u00fchrung in die logistische Regression<\/a>
So f\u00fchren Sie eine logistische Regression in R durch
So f\u00fchren Sie eine logistische Regression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"