Einfach erklärt
Accuracy (deutsch oft „Genauigkeit“/„Trefferquote“) sagt, wie viele Vorhersagen insgesamt richtig waren.
Formel (einfach):
Accuracy = richtige Vorhersagen / alle Vorhersagen
Beispiel: Ein Spam‑Filter prüft 100 E‑Mails. 92 stuft er korrekt ein (Spam/Nicht‑Spam), 8 liegen falsch.
→ Accuracy = 92/100 = 0,92 = 92 %.
(Entspricht (TP+TN)/(TP+TN+FP+FN).)
Wichtig: Bei unausgewogenen Klassen (z. B. 95 % Nicht‑Spam, 5 % Spam) kann Accuracy täuschen: Ein „Alles‑Nicht‑Spam“-Modell hätte 95 % Accuracy, wäre aber nutzlos. Dann schaut man zusätzlich auf Precision/Recall, Balanced Accuracy oder F1.
Professionelle Definition
Accuracy ist die Anteilskorrektheit einer Klassifikation:
[\text{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN}.]
Sie misst die Gesamtrate richtiger Entscheidungen eines Modells (binär oder multi‑klassig; bei Multi‑Klasse zählt man die gesamt korrekt klassifizierten Beispiele). Implementierungen (z. B. sklearn.metrics.accuracy_score) liefern standardmäßig den Bruchteil korrekt klassifizierter Stichproben (optional als Anzahl). Varianten/Erweiterungen:
- Balanced Accuracy: Mittel aus TPR (Recall/Sensitivität) und TNR (Spezifität) – sinnvoll bei Klassenungleichgewicht.
- Top‑k‑Accuracy: Zählt als richtig, wenn das wahre Label unter den k wahrscheinlichsten Vorhersagen ist (multi‑klassig).
Bewertungspraxis (NIST‑Hinweis): Accuracy‑Angaben sollten auf realistischen, repräsentativen Testsets beruhen und idealerweise disaggregiert (nach Subgruppen) berichtet werden, damit Verzerrungen sichtbar werden.
Terminologie‑Hinweis (deutsch): Im Information Retrieval wird „Genauigkeit“ oft als Übersetzung von Precision verwendet – nicht von Accuracy. In der Klassifikations‑Metrik meint Accuracy die Korrektklassifikationsrate (siehe obige Formel).
Quellen
- Google ML Crash Course – Accuracy/Precision/Recall (Formel & Beispiele):
https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall - scikit‑learn –
accuracy_score(Definition/Beispiele):
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html - Wikipedia (de) – Beurteilung eines binären Klassifikators (Accuracy = Korrektklassifikationsrate; IR‑Begriffe):
https://de.wikipedia.org/wiki/Beurteilung_eines_bin%C3%A4ren_Klassifikators - NIST AI RMF 1.0 – Messpraxis (repräsentative Testsets, Disaggregation):
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf - Wikipedia (en) – Precision and recall (Warnung vor Accuracy bei unausgewogenen Daten; Balanced Accuracy):
https://en.wikipedia.org/wiki/Precision_and_recall - scikit‑learn –
top_k_accuracy_score(Top‑k‑Accuracy):
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.top_k_accuracy_score.html