Precision

Okt. 17, 2025

—

von

Philipp: Schweizer KI Akademie

Einfach erklärt

Precision (Genauigkeit der Treffer) sagt: Von allem, was das Modell als „positiv“ meldet – wie viel davon ist wirklich positiv?
Je weniger Fehlalarme, desto höher die Precision.

Kurz: Precision hoch = kaum falsche Positive.

Ganz einfache Beispiele (mit Alltagsbildern)

• Spam‑Ordner: Von den Mails im Spam‑Ordner – wie viele sind wirklich Spam (und nicht wichtige Mails)? Viele Fehlalarme → niedrige Precision.
• Rauchmelder: Wenn er losgeht, brennt es wirklich? Piept er oft ohne Feuer, ist die Precision schlecht.
• Hausarzt‑Überweisung: Wenn der Arzt eine Überweisung zum Spezialisten ausstellt – wie oft war das berechtigt? Viele unnötige Überweisungen → niedrige Precision.

Professionelle Definition (verständlich)

Bei binärer Klassifikation:

True Positive (TP): korrekt als positiv erkannt.
False Positive (FP): fälschlich als positiv markiert.

Precision = TP / (TP + FP).
Sie misst die Reinheit der positiven Vorhersagen.

Wichtige Hinweise:

Trade‑off mit Recall: Höhere Precision erreicht man oft, indem man strenger entscheidet (höhere Schwelle) – dann sinkt häufig der Recall.
Klassenungleichgewicht: Precision bleibt aussagekräftig, auch wenn es viel mehr Negative als Positive gibt.
Precision‑Recall‑Kurve: Zeigt, wie sich Precision und Recall bei verschiedenen Schwellen verhalten; PR‑AUC fasst das zusammen.

Mehrklassen / Multilabel:

Macro‑Precision: Mittel der Precision‑Werte je Klasse (alle Klassen gleich gewichtet).
Weighted‑Precision: wie Macro, aber nach Klassenhäufigkeit gewichtet.
Micro‑Precision: bildet TP/FP global über alle Klassen – entspricht der globalen Precision.

Praxis‑Tipps

Wenn Fehlalarme teuer sind (z. B. falsche Betrugswarnung, Fehlalarm in der Leitstelle), optimiere Precision oder setze eine hohe Schwelle.
Prüfe immer zusammen mit Recall (und ggf. F1), damit du Balance hältst.
Nutze Kalibrierung (Platt/Isotonic), wenn du zusätzlich verlässliche Wahrscheinlichkeiten brauchst.