Gütemaße und Kenngrößen für Klassifikatoren

Gütemaße

Gütemaße am Beispiel für Kunden

Abkürzung	Bedeutung
TP (richtig positiv)	Ein guter Kunde wird als guter Kunde erkannt
TN (richtig negativ)	Ein nicht guter Kunde wird als nicht guter erkannt
FP (falsch positiv)	Ein nicht guter Kunde wird als guter erkannt
FN (falsch negativ)	Ein guter Kunde wird als nicht guter erkannt

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

Jürgen Cleve, Uwe Lämmel: Data Mining; S. 236/237, De Gruyter Oldenbourg, 2. Aufl.