Pr\u00e4zision ist einfach der Prozentsatz aller vom Modell korrekt klassifizierten Beobachtungen.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n Genauigkeit = (# echte positive Ergebnisse + # echte negative Ergebnisse) \/ (Gesamtstichprobengr\u00f6\u00dfe)<\/span><\/p>\n Eine h\u00e4ufig von Studenten gestellte Frage zur Genauigkeit lautet:<\/span><\/p>\n Was gilt als \u201eguter\u201c Wert f\u00fcr die Genauigkeit eines Machine-Learning-Modells?<\/strong><\/em><\/span><\/p>\n Obwohl die Genauigkeit eines Modells zwischen 0 % und 100 % variieren kann, gibt es keinen universellen Schwellenwert, anhand dessen wir bestimmen, ob ein Modell eine \u201egute\u201c Genauigkeit aufweist oder nicht.<\/span><\/p>\n Stattdessen vergleichen wir normalerweise die Genauigkeit unseres Modells mit der eines Referenzmodells.<\/span><\/strong><\/p>\n Ein Basismodell sagt einfach voraus, dass jede Beobachtung in einem Datensatz zur h\u00e4ufigsten Klasse geh\u00f6rt.<\/span><\/p>\n In der Praxis kann jedes Klassifizierungsmodell mit h\u00f6herer Genauigkeit als ein Referenzmodell als \u201en\u00fctzlich\u201c angesehen werden. Je gr\u00f6\u00dfer jedoch der Genauigkeitsunterschied zwischen unserem Modell und einem Referenzmodell ist, desto besser.<\/span><\/p>\n Das folgende Beispiel zeigt, wie man grob bestimmen kann, ob ein Klassifizierungsmodell eine \u201egute\u201c Genauigkeit aufweist oder nicht.<\/span><\/p>\n Angenommen, wir verwenden ein logistisches Regressionsmodell<\/a> , um vorherzusagen, ob 400 verschiedene College-Basketballspieler in die NBA eingezogen werden oder nicht.<\/span><\/p>\n Die folgende Verwirrungsmatrix<\/a> fasst die vom Modell getroffenen Vorhersagen zusammen:<\/span> <\/p>\n So berechnen Sie die Genauigkeit dieses Modells:<\/span><\/p>\n Das Modell hat das Ergebnis f\u00fcr 72,5 %<\/strong> der Spieler korrekt vorhergesagt.<\/span><\/p>\n Um eine Vorstellung davon zu bekommen, ob die Genauigkeit \u201egut\u201c ist oder nicht, k\u00f6nnen wir die Genauigkeit eines Basismodells berechnen.<\/span><\/p>\n In diesem Beispiel war das h\u00e4ufigste Ergebnis f\u00fcr Spieler, dass sie nicht gedraftet wurden. Konkret wurden 240 von 400 Spielern nicht gedraftet.<\/span><\/p>\n Ein Grundmodell w\u00e4re eines, das einfach vorhersagt, dass jeder Spieler nicht gedraftet wird.<\/span><\/p>\n Die Genauigkeit dieses Modells w\u00fcrde wie folgt berechnet:<\/span><\/p>\n Dieses Grundmodell w\u00fcrde das Ergebnis f\u00fcr 60 %<\/strong> der Spieler korrekt vorhersagen.<\/span><\/p>\n In diesem Szenario bietet unser logistisches Regressionsmodell eine deutliche Verbesserung der Genauigkeit gegen\u00fcber einem Basismodell, sodass wir unser Modell als zumindest \u201en\u00fctzlich\u201c betrachten.<\/span><\/p>\n In der Praxis w\u00fcrden wir wahrscheinlich mehrere verschiedene Klassifizierungsmodelle anpassen und das endg\u00fcltige Modell als dasjenige ausw\u00e4hlen, das im Vergleich zu einem Basismodell den gr\u00f6\u00dften Genauigkeitsgewinn bietet.<\/span><\/p>\n Pr\u00e4zision ist eine h\u00e4ufig verwendete Metrik, da sie leicht zu interpretieren ist.<\/span><\/p>\n Wenn wir beispielsweise sagen, dass ein Modell zu 90 % genau ist, wissen wir, dass es 90 % der Beobachtungen korrekt klassifiziert hat.<\/span><\/p>\n Die Genauigkeit ber\u00fccksichtigt jedoch nicht die Verteilung der Daten.<\/span><\/p>\n Nehmen wir zum Beispiel an, dass 90 % aller Spieler nicht in die NBA eingezogen werden.<\/span> 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.<\/span><\/p>\n Dieser Wert erscheint hoch, aber das Modell ist tats\u00e4chlich nicht in der Lage, korrekt vorherzusagen, welche Spieler gedraftet werden.<\/span><\/p>\n Eine h\u00e4ufig verwendete alternative Metrik hei\u00dft F1-Score<\/strong> und ber\u00fccksichtigt die Verteilung der Daten.<\/span><\/p>\n 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 Erfahren Sie hier<\/a> mehr \u00fcber die Unterschiede zwischen Genauigkeit und F1-Ergebnis.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Metriken, die in Klassifizierungsmodellen f\u00fcr maschinelles Lernen verwendet werden:<\/span><\/p>\n Was ist ausgewogene Genauigkeit?<\/a> Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir h\u00e4ufig die Metrik Genauigkeit , um die Qualit\u00e4t eines Modells zu bewerten. Pr\u00e4zision ist einfach der Prozentsatz aller vom Modell korrekt klassifizierten Beobachtungen. Es wird wie folgt berechnet: Genauigkeit = (# echte positive Ergebnisse + # echte negative Ergebnisse) \/ (Gesamtstichprobengr\u00f6\u00dfe) Eine h\u00e4ufig von Studenten […]<\/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: Bestimmen, ob ein Modell eine \u201egute\u201c Genauigkeit aufweist<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
Vorsichtsma\u00dfnahmen f\u00fcr die Verwendung von Genauigkeit zur Bewertung der Modellleistung<\/strong><\/span><\/h2>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Was gilt als \u201egutes\u201c F1-Ergebnis?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"