In diesem Abschnitt definieren wir die primären Bausteine der Messwerte, die zur Bewertung von Klassifizierungsmodellen verwendet werden. Zuerst einmal eine Fabrik:
Ein Äsoprüstel: The Boy Who Cried Wolf (komprimiert)
Ein Schäferjung kümmert sich um die Stadtherz. Um Spaß zu haben, ruft er, „Wolf!“, obwohl kein Wolf zu sehen ist. Die Dorfbewohner laufen, um die Herde zu beschützen, aber dann werden sie richtig wütend, als sie merken, dass der Junge einen Witz darüber spielt.
[Vorherigen Absatz N-mal wiederholen.]
Eines Abends sieht der Schäferjunge einen echten Wolf, der sich der Herde nähert, und ruft: "Wolf!" Die Dorfbewohner weigern sich, sich wieder täuschen zu lassen und in ihren Häusern zu bleiben. Der hungrige Wolf verwandelt die Herde in Lammkoteletts. Die Stadt ist hungrig. Panik.
Folgende Definitionen sind verfügbar:
- &Wolf; ist eine positive Klasse.
- „Kein Wolf“ ist eine negative Klasse.
Wir können unser Modell „Wolf-Vorhersage“ mithilfe einer 2x2-Wahrheitsmatrix zusammenfassen, die alle vier möglichen Ergebnisse darstellt:
Richtig positive (TP):
|
Falsch positiv (FP):
|
Falsch negativ (FN):
|
Richtig negativ (TN):
|
Ein wahr positives Ergebnis ist ein Ergebnis, bei dem das Modell die positive Klasse richtig vorhersagt. Ähnlich verhält es sich bei einem wahren negativen Ergebnis, bei dem das Modell die negative Klasse richtig vorhersagt.
Ein falsch positives Ergebnis ist ein Ergebnis, bei dem das Modell die positive Klasse falsch vorhersagt. Ein falsch negatives Ergebnis ist ein Ergebnis, bei dem das Modell die negative Klasse falsch vorhersagt.
In den folgenden Abschnitten erfahren Sie, wie Sie Klassifizierungsmodelle anhand von Messwerten bewerten, die aus diesen vier Ergebnissen abgeleitet werden.