Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

8.1 Einführung: Maschinelles Lernen
• Im Fall K(x) = P (x) liegt das Programm richtig. Man unterscheidet in
richtig-positiv Wenn P (x) = 1 und K(x) = 1.
richtig-negativ Wenn P (x) = 0 und K(x) = 0.
• Im Fall K(x) ≠ P (x) liegt das Programm falsch. Hier wird noch unterschieden zwischen
falsch-positiv Wenn P (x) = 1, aber K(x) = 0.
falsch-negativ Wenn P (x) = 0, aber K(x) = 1.
Die folgenden Werte entsprechen der Wahrscheinlichkeit mit der das Programm P eine
richtige positive (bzw. negative) Klassifikation macht. Es entspricht der Wahrscheinlichkeit,
mit der eine Diagnose auch zutrifft. Hierbei wird angenommen, dass es eine Gesamtmenge
M aller Objekte gibt, die untersucht werden.
Recall (Richtig-Positiv-Rate, Sensitivität, Empfindlichkeit, Trefferquote; sensitivity, true
positive rate, hit rate):
Der Anteil der richtig klassifizierten Objekte bezogen auf alle tatsächlich richtigen.
|{x ∈ M | P (x) = 1 ∧ K(x) = 1}|
|{x ∈ M | K(x) = 1}|
Richtig-Negativ-Rate (true negative rate oder correct rejection rate, Spezifität)
Der Anteil der als falsch erkannten bezogen auf alle tatsächlich falschen:
|{x ∈ M | P (x) = 0 ∧ K(x) = 0}|
|{x ∈ M | K(x) = 0}|
Die folgenden Werte entsprechen der Wahrscheinlichkeit mit der ein als positiv klassifiziertes
Objekt auch tatsächlich richtig klassifiziert ist, bzw. die Wahrscheinlichkeit mit der
eine positive Diagnose sich als richtig erweist. Oder anders herum: eine negativ Diagnose
die Krankheit ausschließt.
Der Wert der Präzision ist ein praktisch relevanterer Wert als der recall, da diese aussagt,
wie weit man den Aussagen eines Programms in Bezug auf eine Klassifikation trauen
kann.
Precision (Präzision, positiver Vorhersagewert, Relevanz, Wirksamkeit, Genauigkeit, positiver
prädiktiver Wert, positive predictive value)
Der Anteil der richtigen unten den als scheinbar richtig erkannten
|{x ∈ M | P (x) = 1 ∧ K(x) = 1}|
|{x ∈ M | P (x) = 1}|
M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 261 Stand: 30. Januar 2013