Dein Lernbereich wird geladen
App wird gestartet …
Dein Lernbereich wird geladen
App wird gestartet …
Der MCC fasst alle vier Felder der binären Konfusionsmatrix zu einer korrelationsartigen Kennzahl zusammen.
Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential
Formel
dimensionslos; −1 bis +1, bei degenerierter Konfusionsmatrix Nenner null
| Symbol | Bedeutung | Einheit |
|---|---|---|
| Richtig positive Fälle | Anzahl | |
| Richtig negative Fälle | Anzahl | |
| Falsch positive Fälle | Anzahl | |
| Falsch negative Fälle | Anzahl |
\mathrm{MCC}=\frac{TP\,TN-FP\,FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}Der MCC entspricht dem Pearson-Korrelationskoeffizienten zwischen binären Beobachtungs- und Vorhersagelabels. Er verwendet TP, TN, FP und FN und ist damit informativer als Accuracy, wenn Klassenverteilungen stark ungleich sind. +1 steht für perfekte Übereinstimmung, 0 für keine lineare Zusammenhangsinformation und −1 für vollständige Umkehr. Bei einer konstanten echten oder vorhergesagten Klasse kann der Nenner null sein; die verwendete Softwarekonvention ist dann zu nennen.
Der MCC entspricht dem Pearson-Korrelationskoeffizienten zwischen binären Beobachtungs- und Vorhersagelabels. Er verwendet TP, TN, FP und FN und ist damit informativer als Accuracy, wenn Klassenverteilungen stark ungleich sind. +1 steht für perfekte Übereinstimmung, 0 für keine lineare Zusammenhangsinformation und −1 für vollständige Umkehr. Bei einer konstanten echten oder vorhergesagten Klasse kann der Nenner null sein; die verwendete Softwarekonvention ist dann zu nennen.
Der MCC fasst alle vier Felder der binären Konfusionsmatrix zu einer korrelationsartigen Kennzahl zusammen.
Kreuzprodukt-Differenz
Nur wenn der Nenner positiv ist.
Erkläre am Beispiel zu Matthews-Korrelationskoeffizient (MCC), welche Eingabegrößen zur gesuchten Ausgabe führen.
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Der MCC fasst alle vier Felder der binären Konfusionsmatrix zu einer korrelationsartigen Kennzahl zusammen.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Die Beziehung ohne ihre angegebenen Voraussetzungen auf einen anderen Fall übertragen.
Prüfe vor dem Einsetzen den Gültigkeitsbereich: Der MCC entspricht dem Pearson-Korrelationskoeffizienten zwischen binären Beobachtungs- und Vorhersagelabels. Er verwendet TP, TN, FP und FN und ist damit informativer als Accuracy, wenn Klassenverteilungen stark ungleich sind. +1 steht.
Formelcluster
Der MCC fasst alle vier Felder der binären Konfusionsmatrix zu einer korrelationsartigen Kennzahl zusammen.
Für TP=40,TN=50,FP=10,FN=5 ist MCC=1950/√(50·45·60·55)≈0,716. Der Wert liegt zwischen 0 und 1 und zeigt positive, aber keine perfekte Übereinstimmung.
Binäre Klassifikatoren bei ungleichen Klassen mit einer einzigen Kennzahl vergleichen und beide Fehlerarten berücksichtigen.
Eine typische Aufgabe Schritt für Schritt: Matthews-Korrelationskoeffizient (MCC) (MCC = (TP·TN − FP·FN)/√…).
Aufgabe
Erkläre am Beispiel zu Matthews-Korrelationskoeffizient (MCC), welche Eingabegrößen zur gesuchten Ausgabe führen.
Rechenweg
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Der MCC fasst alle vier Felder der binären Konfusionsmatrix zu einer korrelationsartigen Kennzahl zusammen.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Der Matthews-Korrelationskoeffizient vergleicht binäre Vorhersagen mit den tatsächlichen Labels und liegt zwischen −1 und +1. +1 bedeutet perfekte Übereinstimmung, 0 keinen linearen Zusammenhang und −1 vollständige Umkehr. Anders als Accuracy verwendet er sowohl positive als auch negative Fälle sowie beide Fehlertypen. Ein mittlerer positiver Wert zeigt Zusammenhang, aber nicht automatisch gute Kalibrierung oder praktische Eignung. MCC verwendet alle vier Zellen der binären Konfusionsmatrix. Nenne stets Klassenkodierung, Testpopulation und Behandlung eines verschwindenden Nenners, damit Vorzeichen und Vergleich interpretierbar sind. Ergänze den Rohwert durch Konfusionsmatrix oder Konfidenzintervall bei kleinen Stichproben. So wird der Kennwert prüfbar.
Berechne zuerst den Zähler TP·TN−FP·FN. Multipliziere im Nenner die vier Randsummen (TP+FP), (TP+FN), (TN+FP) und (TN+FN), ziehe die Quadratwurzel und teile. Bei TP=40,TN=50,FP=10,FN=5 ergibt das 1950/√(50·45·60·55)≈0,716. Das Ergebnis ist dimensionslos. Kontrolliere Klammern und Multiplikation, denn ein einzelner falsch zugeordneter Matrixwert verändert Zähler und mehrere Randsummen. MCC verwendet alle vier Zellen der binären Konfusionsmatrix. Nenne stets Klassenkodierung, Testpopulation und Behandlung eines verschwindenden Nenners, damit Vorzeichen und Vergleich interpretierbar sind. Ergänze den Rohwert durch Konfusionsmatrix oder Konfidenzintervall bei kleinen Stichproben. So wird der Kennwert prüfbar.
Accuracy kann bei seltenen positiven Fällen hoch erscheinen, wenn ein Modell fast immer die Mehrheitsklasse vorhersagt. MCC bezieht zusätzlich TN, FP und FN ein und wird dadurch von einem solchen einseitigen Verhalten stärker sichtbar beeinflusst. Das macht ihn oft aussagekräftiger für binäre Vergleiche mit Klassenungleichgewicht. Er ersetzt aber keine Fehlerkostenanalyse: Ein falsch negatives Ergebnis kann fachlich deutlich schwerer wiegen als ein falsch positives. MCC verwendet alle vier Zellen der binären Konfusionsmatrix. Nenne stets Klassenkodierung, Testpopulation und Behandlung eines verschwindenden Nenners, damit Vorzeichen und Vergleich interpretierbar sind. Ergänze den Rohwert durch Konfusionsmatrix oder Konfidenzintervall bei kleinen Stichproben. So wird der Kennwert prüfbar.
Ein negativer MCC zeigt, dass Vorhersage und tatsächliche Labels im ausgewerteten Datensatz tendenziell gegenläufig zusammenhängen. Bei −1 sind sie vollständig vertauscht; Werte nahe null zeigen wenig lineare Übereinstimmung. Prüfe zuerst, ob positive und negative Klasse versehentlich vertauscht oder Spalten falsch interpretiert wurden. Bei konsistenter Kodierung kann ein negativer Wert auf ein Modell hinweisen, dessen Vorhersagen systematisch schlechter als Zufall ausgerichtet sind. MCC verwendet alle vier Zellen der binären Konfusionsmatrix. Nenne stets Klassenkodierung, Testpopulation und Behandlung eines verschwindenden Nenners, damit Vorzeichen und Vergleich interpretierbar sind. Ergänze den Rohwert durch Konfusionsmatrix oder Konfidenzintervall bei kleinen Stichproben. So wird der Kennwert prüfbar.
Der Nenner ist null, wenn mindestens eine Randsumme null ist, etwa wenn Modell oder Testdaten ausschließlich eine Klasse enthalten. Dann fehlt eine Variation, die für die Korrelationsberechnung nötig ist. Software kann einen Warnhinweis ausgeben oder eine Konvention wie null anwenden. Berichte diese Entscheidung ausdrücklich und ergänze die Konfusionsmatrix; ein Ersatzwert darf nicht als gewöhnlicher gemessener Korrelationswert missverstanden werden. MCC verwendet alle vier Zellen der binären Konfusionsmatrix. Nenne stets Klassenkodierung, Testpopulation und Behandlung eines verschwindenden Nenners, damit Vorzeichen und Vergleich interpretierbar sind. Ergänze den Rohwert durch Konfusionsmatrix oder Konfidenzintervall bei kleinen Stichproben. So wird der Kennwert prüfbar.
Quanta-Prüfungsset
Kuratiertes Prüfungsset für "Matthews-Korrelationskoeffizient (MCC)":
Frage (Vorderseite)
Welche Formel beschreibt Matthews-Korrelationskoeffizient (MCC)?
Antwort in deinem Set
Frage (Vorderseite)
Wie stellst du MCC = (TP·TN − FP·FN)/√… nach Kreuzprodukt-Differenz um?
Antwort in deinem Set
Frage (Vorderseite)
Welcher typische Fehler passiert bei MCC = (TP·TN − FP·FN)/√…?
Antwort in deinem Set
+ 7 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe
Das Formelset enthält 10 Karten. Nach der Übernahme kannst du sie prüfen und lernen; deine Bewertungen bestimmen die weiteren Wiederholungen.
Die Liste nennt Fachquellen und weiterführende Literatur. Eine Seiten- oder Abschnittsnummer steht dabei, wenn sie Teil der Literaturangabe ist; es handelt sich nicht um wörtliche Zitate.
Erstelle ein kuratiertes FSRS-Prüfungsset für MCC = (TP·TN − FP·FN)/√…: Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.
Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential