![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pospred1-2.jpg\")
<\/p>\n
Zwei Metriken, die uns in einer Verwirrungsmatrix h\u00e4ufig interessieren, sind der positive Vorhersagewert<\/strong> und die Sensitivit\u00e4t<\/strong> .<\/span><\/p>\n Der positive Vorhersagewert<\/b> ist die Wahrscheinlichkeit, dass eine Beobachtung mit einem positiv vorhergesagten Ergebnis tats\u00e4chlich ein positives Ergebnis hat<\/em> .<\/span><\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n Positiver Vorhersagewert<\/b> = True Positives \/ (True Positives + False Positives)<\/span> <\/p>\n Sensitivit\u00e4t<\/b> ist die Wahrscheinlichkeit, dass eine Beobachtung mit einem positiven Ergebnis tats\u00e4chlich ein positives vorhergesagtes Ergebnis hat.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n Sensitivit\u00e4t<\/b> = Echt-Positiv \/ (Wahr-Positiv + Falsch-Negativ)<\/span> <\/p>\n Das folgende Beispiel zeigt, wie diese beiden Metriken in der Praxis berechnet werden.<\/span><\/p>\n Angenommen, ein Arzt verwendet ein logistisches Regressionsmodell,<\/a> um vorherzusagen, ob 400 Menschen an einer bestimmten Krankheit leiden oder nicht.<\/span><\/p>\n Die folgende Verwirrungsmatrix fasst die vom Modell getroffenen Vorhersagen zusammen:<\/span> <\/p>\n Wir w\u00fcrden den positiven Vorhersagewert<\/strong> wie folgt berechnen:<\/span><\/p>\n Dies sagt uns, dass die Wahrscheinlichkeit, dass jemand, der ein positives Testergebnis erh\u00e4lt, tats\u00e4chlich an der Krankheit leidet<\/em> , 0,60<\/strong> betr\u00e4gt.<\/span><\/p>\n Die Sensitivit\u00e4t<\/strong> w\u00fcrden wir wie folgt berechnen:<\/span><\/p>\n Das sagt uns, dass die Wahrscheinlichkeit, dass jemand mit der Krankheit tats\u00e4chlich ein positives Testergebnis erh\u00e4lt, 0,75<\/strong> betr\u00e4gt.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man eine Verwirrungsmatrix in verschiedenen Statistikprogrammen erstellt:<\/span><\/p>\n So erstellen Sie eine Verwirrungsmatrix in Excel<\/a> Eine der gebr\u00e4uchlichsten Methoden zur Bewertung der Leistung eines Klassifizierungsmodells ist die Erstellung einer Verwirrungsmatrix, die die vorhergesagten Ergebnisse des Modells mit den tats\u00e4chlichen Ergebnissen des Datensatzes zusammenfasst. Zwei Metriken, die uns in einer Verwirrungsmatrix h\u00e4ufig interessieren, sind der positive Vorhersagewert und die Sensitivit\u00e4t . Der positive Vorhersagewert ist die Wahrscheinlichkeit, dass eine Beobachtung mit […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pospred2.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pospred3.jpg\")
<\/p>\n Beispiel: Berechnung des positiven Vorhersagewerts und der Sensitivit\u00e4t<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pospred5.jpg\")
<\/p>\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":"