...
Daraus abgeleitete Kenngrößen
...
| Name | Formel | Bedeutung |
|---|---|---|
| Korrekte Klassifikationen | T=TP+TN | alle korrekten Vorhersagen |
| Falsche Klassifikationen | F=FP+FN | alle falschen Vorhersagen |
| Relevanz | R=TP+FN | die Anzahl der guten Kundne |
| Irrelevanz | I=FP+TN | die Anzahl der nicht guten Kunden |
| Positivität | P=TP+FP | die Anzahl der als gut klassifizierten Kunden |
| Negativität | N=TN+FN | die Anzahl der als nicht gut klassifizierten Kunden |
| Korrektheitsrate | T n | der Anteil der korrekt klassifizierten Kunden |
| Inkorrektheitsrate | F n | der Anteil der nicht korrekt klassifizierten Kunden |
| Richtig-positiv-Rate | TPR=TP R | Wie oft wurde ein guter Kunde als solcher erkannt (Sensitivität, Recall, Trefferquote) |
| Richtig-negativ-Rate | TNR=TN I | Wie oft wurde ein nicht guter Kunde auch als solcher klassifiziert |
| Falsch-Positiv-Rate | FPR=FP I | Wie oft wurde ein nicht guter Kunde als guter Kunde klassifiziert |
| Falsch-negativ-Rate | FNR=FN I | Wie oft wurde ein guter Kunde als nicht guter Kunde klassifiziert |
| Positiver Vorhersagewert, Genauigkeit, Präzision (precision) | TP P | Wie oft ist ein als gut vorhergesagter Kunde ein guter Kunde |
| Negativer Vorhersagewert | TN N | Wie oft ist ein als nicht gut vorhergesagter Kunde dein nicht guter Kunde |
| Negative Falschklassifikationsrate | FN N | Wie oft ist ein als nicht gut vorhergesagter Kunde ein guter Kunde |
| Positive Falschklassifikationsrate | FP P | Wie oft ist ein als gut vorhergesagter Kunde ein nicht guter Kunde |
Quelle
Jürgen Cleve, Uwe Lämmel: Data Mining; S. 236/237, De Gruyter Oldenbourg, 2. Aufl.