Grundlagen des maschinellen Lernens

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?

A0,40
B0,53
C0,60

Antwort und Erläuterung anzeigen

Antwort: B. 0,53

Zunächst beträgt die Precision 20 ÷ (20 + 5) = 0,8 und der Recall 20 ÷ (20 + 30) = 0,4. Der F1-Score wird als harmonisches Mittel von Precision und Recall berechnet: 2 × 0,8 × 0,4 ÷ (0,8 + 0,4) = 0,64 ÷ 1,2 ≈ 0,53. Das harmonische Mittel wird zum kleineren Wert hingezogen; ist nur einer der beiden Werte hoch, wird der F1-Score daher nicht hoch. Die Accuracy von (20 + 145) ÷ 200 = 0,825 wirkt hoch, doch dieses Modell übersieht 6 von 10 positiven Fällen.

Dieses Thema üben Zur Themenseite

Weitere Fragen zu Grundlagen des maschinellen Lernens

Welche Beschreibung der ROC-Kurve und der AUC, mit denen Modelle für die Klassifikation mit zwei Klassen bewertet werden, trifft zu?
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?
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)?
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?
Bei einer logistischen Regression wird z = 2x − 4 durch die Sigmoidfunktion σ(z) = 1 ÷ (1 + e^(−z)) geführt, und das Ergebnis wird als Wahrscheinlichkeit ausgegeben, dass der Fall positiv ist. Wie groß ist die Ausgabe bei x = 2?