Ein KI-Praktiker muss eine Leistungsmetrik auswählen, die das Verhältnis der korrekt klassifizierten Elemente zur Gesamtzahl der klassifizierten Elemente (sowohl korrekte als auch inkorrekte) angibt. Welche Metrik ist das?

Accuracy (Genauigkeit) ist die Metrik, die das Verhältnis der korrekt klassifizierten Instanzen (True Positives + True Negatives) zur Gesamtzahl der Instanzen (True Positives + True Negatives + False Positives + False Negatives) angibt. Sie misst, wie viele Vorhersagen das Modell insgesamt richtig getroffen hat. Precision (Präzision) misst den Anteil der korrekt positiven Vorhersagen an allen positiven Vorhersagen (True Positives / (True Positives + False Positives)). Sie ist relevant, wenn falsch-positive Ergebnisse besonders kostspielig sind. Recall (Sensitivität oder Trefferquote) misst den Anteil der korrekt positiven Vorhersagen an allen tatsächlich positiven Instanzen (True Positives / (True Positives + False Negatives)). Sie ist wichtig, wenn falsch-negative Ergebnisse vermieden werden sollen. Der F1-Score ist das harmonische Mittel aus Precision und Recall und wird verwendet, wenn ein Gleichgewicht zwischen beiden Metriken erforderlich ist, insbesondere bei unausgewogenen Datensätzen.