Klassifikationsmetriken

Average Precision Score measures the accuracy of a model's predictions in classification tasks, balancing precision and recall.

Konfusionsmatrix-Metriken bewerten die Leistung eines Klassifikationsmodells anhand wichtiger Indikatoren wie Genauigkeit, Präzision, Recall und F1-Score.

F-Messung ist eine Metrik zur Bewertung der Leistung von Klassifikationsmodellen, die Präzision und Rückruf ausbalanciert.

F-Wert ist ein statistisches Maß, das verwendet wird, um die Genauigkeit von binären Klassifikationsmodellen zu bewerten.

Gini-Impurity misst die Unreinheit eines Datensatzes und wird hauptsächlich in Entscheidungsbaum-Algorithmen zur Bewertung von Aufteilungen verwendet.

Hamming Loss misst die Fraktion der falschen Labels bei Multi-Label-Klassifikationsaufgaben.

Histogramm-Verlust misst die Abweichung zwischen vorhergesagten und tatsächlichen Verteilungen bei Klassifizierungsaufgaben.

Log Loss misst die Leistung eines Klassifikationsmodells, bei dem die Ausgabe eine Wahrscheinlichkeit zwischen 0 und 1 ist.

Macro-Durchschnitt berechnet die Gesamtleistung eines Modells über mehrere Klassen in Klassifikationsaufgaben.

Die Fehlklassifikationsrate misst den Anteil der falschen Vorhersagen, die von einem Klassifikationsmodell gemacht werden.

Der Negative Vorhersagewert (NPV) misst die Genauigkeit eines Tests bei der Erkennung negativer Fälle.