Es wird wie folgt berechnet:<\/span><\/p>\n Ausgewogene Genauigkeit<\/strong> = (Sensitivit\u00e4t + Spezifit\u00e4t) \/ 2<\/span><\/p>\n Gold:<\/span><\/p>\n Diese Metrik ist besonders n\u00fctzlich, wenn die beiden Klassen unausgeglichen sind, das hei\u00dft, eine Klasse erscheint viel h\u00e4ufiger als die andere.<\/span><\/p>\n Das folgende Beispiel zeigt, wie die ausgewogene Genauigkeit in der Praxis berechnet wird, und zeigt, warum es sich um eine so n\u00fctzliche Metrik handelt.<\/span><\/p>\n Angenommen, ein Sportanalyst verwendet ein logistisches Regressionsmodell<\/a> , 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 Um die ausgewogene Genauigkeit des Modells zu berechnen, berechnen wir zun\u00e4chst die Sensitivit\u00e4t und Spezifit\u00e4t:<\/span><\/p>\n Wir k\u00f6nnen dann die ausgeglichene Pr\u00e4zision wie folgt berechnen:<\/span><\/p>\n Die ausgeglichene Genauigkeit des Modells betr\u00e4gt 0,8684<\/strong> .<\/span><\/p>\n Beachten Sie, dass das Modell umso besser in der Lage ist, Beobachtungen korrekt zu klassifizieren, je n\u00e4her die ausgeglichene Pr\u00e4zision bei 1 liegt.<\/span><\/p>\n In diesem Beispiel ist die ausgeglichene Genauigkeit recht hoch, was uns sagt, dass das logistische Regressionsmodell sehr gut vorhersagen kann, ob College-Spieler in die NBA eingezogen werden oder nicht.<\/span><\/p>\n Da die Klassen in diesem Szenario sehr unausgewogen sind (20 Spieler wurden gedraftet und 380 Spieler nicht), liefert uns die ausgewogene Genauigkeit ein realistischeres Bild der Modellleistung im Vergleich zu einer Gesamtgenauigkeitsmessung.<\/span><\/p>\n Beispielsweise w\u00fcrden wir die Modellgenauigkeit wie folgt berechnen:<\/span><\/p>\n Die Genauigkeit des Modells betr\u00e4gt 0,975<\/strong> , was extrem hoch erscheint.<\/span><\/p>\n Betrachten Sie jedoch ein Modell, das einfach vorhersagt, dass jeder Spieler nicht gedraftet wird. Es h\u00e4tte eine Genauigkeit von 380\/400 = 0,95<\/strong> . Dies liegt nur geringf\u00fcgig unter der Genauigkeit unseres Modells.<\/span><\/p>\n Der ausgewogene Genauigkeitswert von 0,8684<\/strong> gibt uns eine bessere Vorstellung von der F\u00e4higkeit des Modells, beide Klassen vorherzusagen.<\/span><\/p>\n Mit anderen Worten: Es gibt uns eine bessere Vorstellung von der F\u00e4higkeit des Modells, vorherzusagen, welche Spieler nicht gedraftet werden und<\/em> welche.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie in verschiedenen Statistikprogrammen eine Verwirrungsmatrix erstellen:<\/span><\/p>\n So erstellen Sie eine Verwirrungsmatrix in Excel<\/a> Ausgewogene Genauigkeit ist eine Metrik, mit der wir die Leistung eines Klassifizierungsmodells bewerten k\u00f6nnen. Es wird wie folgt berechnet: Ausgewogene Genauigkeit = (Sensitivit\u00e4t + Spezifit\u00e4t) \/ 2 Gold: Sensitivit\u00e4t : Die \u201ewahre positive Rate\u201c \u2013 der Prozentsatz der positiven F\u00e4lle, die das Modell erkennen kann. Spezifit\u00e4t : Die \u201eechte Negativrate\u201c \u2013 der Prozentsatz der negativen […]<\/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\n
Beispiel: Berechnung der ausgewogenen Pr\u00e4zision<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\")
<\/p>\n\n
\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie eine Verwirrungsmatrix in R<\/a>
So erstellen Sie eine Verwirrungsmatrix in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"