Ein direkter Vergleich von Accuracy und Recall. Verstehen Sie, wie sich Gesamt-Korrektheit von der Fähigkeit unterscheidet, tatsächliche positive Fälle zu finden, insbesondere wenn verpasste positive Fälle teuer sind.
Kurzes Urteil: Verwenden Sie Accuracy, wenn Gesamt-Korrektheit aussagekräftig ist; verwenden Sie Recall, wenn das Nichterkennen tatsächlicher positiver Fälle ein wesentliches Risiko schafft.
Accuracy measures classification metric equal to the proportion of predictions that are correct among all predictions made.
Kontext: Am relevantesten, wenn alle Klassen und Fehlertypen eine ähnliche Bedeutung haben und der Datensatz nicht stark unausgewogen ist.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Kontext: Am relevantesten für Erkennungs-, Screening- und sicherheitssensitive Aufgaben, bei denen das Verpassen eines positiven Falls teuer ist.
| Aspekt | Accuracy | Recall |
|---|---|---|
| Was gemessen wird | Accuracy misst korrekte Vorhersagen unter allen Vorhersagen. | Recall misst identifizierte positive Fälle unter allen tatsächlichen positiven Fällen. |
| Bester Anwendungsfall | Nützlich, wenn Klassen ausgewogen sind und Fehler ähnliche Kosten haben. | Nützlich, wenn verpasste positive Fälle teurer sind als zusätzliche Fehlalarme. |
| Fehlermodus | Kann hoch aussehen, selbst wenn ein Modell viele seltene, aber wichtige positive Fälle verpasst. | Kann hoch aussehen, selbst wenn viele vorhergesagte positive Fälle False Positives sind. |
| Schwellenwertsensitivität | Die Änderung eines Klassifikationsschwellenwerts kann Accuracy verändern, indem das Gleichgewicht korrekter und falscher Vorhersagen verschoben wird. | Die Änderung eines Schwellenwerts verändert Recall häufig direkt, indem das Modell mehr oder weniger bereit ist, positive Fälle zu identifizieren. |
| Häufiger Fehler | Accuracy allein für unausgewogene oder Hochrisiko-Klassifikationsaufgaben zu berichten. | Recall zu maximieren, ohne den False-Positive-Trade-off oder die operative Belastung zu dokumentieren. |
In der Praxis ist Accuracy die Metrik, die am ehesten beruhigend wirkt und zugleich das Problem versteckt; Recall zwingt Teams zu fragen, was das Modell nicht erkennt.
Hohe Accuracy als Beweis zu behandeln, dass ein Klassifikator für Rare-Event-Erkennung sicher ist.
Recall ohne Precision, False Positives oder Schwellenwertannahmen zu berichten.
Metriken auszuwählen, bevor definiert ist, welcher Fehlertyp schädlicher ist.
Verwenden Sie Accuracy, wenn Sie ein einfaches Maß der gesamten korrekten Klassifikationen benötigen und die Klassenverteilung diese Zahl aussagekräftig macht. Sie sollte nicht die einzige Metrik sein, wenn positive Fälle selten sind oder Fehlerkosten unterschiedlich ausfallen.
Verwenden Sie Recall, wenn die Evaluierungsfrage lautet, wie viele tatsächliche positive oder relevante Elemente das Modell erfolgreich findet. Er ist besonders wichtig in Screening, Sicherheit, Betrugserkennung, Compliance und anderen Bereichen, in denen verpasste positive Fälle teuer sind.
Die Metrikauswahl beeinflusst Validierungsberichte, Assurance-Nachweise und Leistungsbehauptungen in KI-Governance-Programmen. Kontrollen im Stil von NIST AI RMF und ISO 42001 sollten dokumentieren, warum eine gewählte Metrik zum Risiko des Anwendungsfalls passt.
Ja. Wenn positive Fälle selten sind, kann ein Modell viele negative Fälle korrekt klassifizieren und dennoch viele tatsächliche positive Fälle verpassen.
Nein. Recall ist besser, wenn verpasste positive Fälle besonders wichtig sind, während Accuracy nützlich sein kann, wenn Gesamt-Korrektheit aussagekräftig ist und die Klassenbalance angemessen ist.
Häufig ja. Berichte sollten erklären, warum jede Metrik relevant ist, welche Fehler-Trade-offs bestehen und wie die Metrik die Risikobewertung unterstützt.
No recently viewed comparisons yet.