Deutsch
Menü

Grundlagen des maschinellen Lernens

Ein Modell für die Klassifikation mit zwei Klassen wurde mit 200 Testdaten bewertet. Die Konfusionsmatrix zeigt 45 richtig positive (TP), 5 falsch positive (FP), 45 falsch negative (FN) und 105 richtig negative (TN). Welches Paar aus Precision und Recall ist richtig?

  1. APrecision 0,50, Recall 0,90
  2. BPrecision 0,75, Recall 0,50
  3. CPrecision 0,90, Recall 0,50
Antwort und Erläuterung anzeigen

Antwort: C. Precision 0,90, Recall 0,50

Die Precision ist der Anteil der als positiv vorhergesagten Fälle, die tatsächlich positiv sind: TP ÷ (TP + FP) = 45 ÷ 50 = 0,90. Der Recall ist der Anteil der tatsächlich positiven Fälle, die als positiv vorhergesagt wurden: TP ÷ (TP + FN) = 45 ÷ 90 = 0,50. Dieses Modell liegt fast immer richtig, wenn es „positiv“ sagt, übersieht aber die Hälfte der positiven Fälle. Die Accuracy (der Anteil richtiger Vorhersagen) beträgt (45 + 105) ÷ 200 = 0,75.

Dieses Thema üben Zur Themenseite

Weitere Fragen zu Grundlagen des maschinellen Lernens

  1. Ein Modell für die Klassifikation mit zwei Klassen wurde mit 200 Testdaten bewertet: TP = 20, FP = 5, FN = 30 und TN = 145. Welcher Wert liegt dem F1-Score am nächsten?
  2. Welche Beschreibung der ROC-Kurve und der AUC, mit denen Modelle für die Klassifikation mit zwei Klassen bewertet werden, trifft zu?
  3. Wie hoch ist bei Daten aus 1000 Fällen, von denen nur 10 positiv sind, die Accuracy (der Anteil richtiger Vorhersagen) eines Modells, das jeden Fall als negativ vorhersagt?
  4. Vier Datenpunkte haben die tatsächlichen Werte 3, 5, 2 und 6, und das Modell sagt für sie 2, 5, 4 und 4 voraus. Wie groß ist der mittlere quadratische Fehler (MSE)?
  5. An die drei Datenpunkte (x, y) = (1, 3), (2, 4) und (3, 8) wird mit der Methode der kleinsten Quadrate eine Gerade y = ax + b angepasst. Wie groß ist der vorhergesagte Wert bei x = 4?