Precision (positiver Vorhersagewert)

Precision betrachtet alle Fälle, die das Modell positiv markiert hat, und fragt, welcher Anteil davon tatsächlich positiv ist. Ein Wert von 0,80 bedeutet also, dass vier von fünf positiven Markierungen stimmen. Die Kennzahl zählt weder übersehene positive Fälle noch richtig negative Fälle mit. Sie passt besonders zu Situationen, in denen ein falscher Alarm eine kostspielige Nachprüfung auslöst. Die Kennzahl ist schwellenabhängig und reagiert auf die Häufigkeit positiver Fälle. Dokumentiere Testpopulation, Positivklasse und Entscheidungsschwelle, damit zwei Ergebnisse wirklich vergleichbar bleiben. Veränderte Basisraten können Precision verschieben, selbst wenn andere Modellmerkmale stabil bleiben.

Teile die richtig positiven Vorhersagen TP durch alle positiven Vorhersagen TP+FP. Bei TP=36 und FP=9 ergibt sich 36/45=0,80. Schreibe zuerst klar auf, welche Klasse als positiv gilt; ein vertauschtes Label tauscht TP und FP. Der Nenner darf nicht null sein. Wenn kein positiver Fall vorhergesagt wurde, ist die Kennzahl undefiniert und eine Softwarekonvention muss dokumentiert werden. Die Kennzahl ist schwellenabhängig und reagiert auf die Häufigkeit positiver Fälle. Dokumentiere Testpopulation, Positivklasse und Entscheidungsschwelle, damit zwei Ergebnisse wirklich vergleichbar bleiben. Veränderte Basisraten können Precision verschieben, selbst wenn andere Modellmerkmale stabil bleiben.

Ein Klassifikator gibt oft einen Score aus, der erst mit einer Schwelle in ein positives oder negatives Urteil umgewandelt wird. Eine höhere Schwelle lässt häufig weniger Fälle positiv erscheinen und kann Fehlalarme senken, aber sie kann auch echte positive Fälle übersehen. Damit ändern sich TP und FP und folglich Precision. Der Schwellenwert gehört deshalb zum Kennwert; Scores verschiedener Schwellen sollten nicht ohne Kontext verglichen werden. Die Kennzahl ist schwellenabhängig und reagiert auf die Häufigkeit positiver Fälle. Dokumentiere Testpopulation, Positivklasse und Entscheidungsschwelle, damit zwei Ergebnisse wirklich vergleichbar bleiben. Veränderte Basisraten können Precision verschieben, selbst wenn andere Modellmerkmale stabil bleiben.

Nein. Precision betrachtet nur die vorhergesagten positiven Fälle. Accuracy zählt dagegen alle korrekten Vorhersagen, also TP und TN, relativ zu allen Fällen. Bei seltenen positiven Ereignissen kann ein Modell eine hohe Accuracy erreichen, obwohl seine positiven Meldungen unzuverlässig sind. Für eine vollständige Bewertung sollten zusätzlich Recall und die Konfusionsmatrix berichtet werden, damit Fehlalarme und übersehene Fälle sichtbar bleiben. Die Kennzahl ist schwellenabhängig und reagiert auf die Häufigkeit positiver Fälle. Dokumentiere Testpopulation, Positivklasse und Entscheidungsschwelle, damit zwei Ergebnisse wirklich vergleichbar bleiben. Veränderte Basisraten können Precision verschieben, selbst wenn andere Modellmerkmale stabil bleiben.

Wenn TP+FP=0 ist, hat der Klassifikator keinen Fall als positiv markiert. Der empirische positive Vorhersagewert lässt sich dann nicht bestimmen, weil es keine Vorhersage gibt, deren Richtigkeit geprüft werden könnte. Bibliotheken warnen, setzen manchmal per Konvention null oder lassen Fälle aus. Nenne diese Behandlung, besonders bei kleinen Testmengen; sie ist keine mathematische Präzision von null. Die Kennzahl ist schwellenabhängig und reagiert auf die Häufigkeit positiver Fälle. Dokumentiere Testpopulation, Positivklasse und Entscheidungsschwelle, damit zwei Ergebnisse wirklich vergleichbar bleiben. Veränderte Basisraten können Precision verschieben, selbst wenn andere Modellmerkmale stabil bleiben.