Ein direkter Vergleich von Precision und Recall. Verstehen Sie, wie Precision die Korrektheit vorhergesagter positiver Fälle bewertet, während Recall misst, wie viele tatsächliche positive Fälle gefunden wurden.
Kurzes Urteil: Verwenden Sie Precision, wenn False Positives teuer sind; verwenden Sie Recall, wenn verpasste positive Fälle teuer sind.
Precision measures classification metric that measures the proportion of predicted positives that are actually positive.
Kontext: Am relevantesten, wenn falsche positive Vorhersagen Kosten, Schaden oder operative Belastung verursachen.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Kontext: Am relevantesten, wenn das Nicht-Erkennen relevanter oder positiver Fälle ein hohes Risiko oder einen inakzeptablen Verlust schafft.
| Aspekt | Precision | Recall |
|---|---|---|
| Was gemessen wird | Precision misst, wie viele vorhergesagte positive Fälle tatsächlich positiv sind. | Recall misst, wie viele tatsächliche positive Fälle oder relevante Elemente das Modell erfolgreich identifiziert. |
| Bester Anwendungsfall | Precision ist wichtig, wenn False Positives teuer sind, etwa unnötige Eskalation, Prüfaufwand oder falsches Flagging. | Recall ist wichtig, wenn verpasste positive Fälle teuer sind, etwa beim Nichterkennen von Risiken, Betrug oder relevanten Dokumenten. |
| Fehlermodus | Ein Modell kann hohe Precision, aber niedrigen Recall haben, wenn es positive Fälle nur in den einfachsten Fällen vorhersagt und viele echte positive Fälle verpasst. | Ein Modell kann hohen Recall, aber niedrige Precision haben, wenn es viele Fälle markiert, die tatsächlich nicht positiv sind. |
| Schwellenwertsensitivität | Precision ändert sich häufig, wenn sich der Entscheidungsschwellenwert ändert, weil sich die Menge der vorhergesagten positiven Fälle ändert. | Recall ändert sich ebenfalls mit dem Schwellenwert, weil strengere Schwellen mehr tatsächliche positive Fälle verpassen und lockerere Schwellen mehr erfassen können. |
| Häufiger Fehler | Ein häufiger Fehler ist, Precision allein zu verwenden, um zu behaupten, ein Detektor sei effektiv. | Ein häufiger Fehler ist, Recall allein zu verwenden, ohne die Belastung durch False Positives zu erklären. |
| Governance-Nachweis | Precision-Nachweise unterstützen Aussagen über die Verlässlichkeit positiver Vorhersagen. | Recall-Nachweise unterstützen Aussagen über die Abdeckung tatsächlicher positiver oder relevanter Fälle. |
In der Praxis sollten Precision und Recall selten isoliert berichtet werden. Die bessere Frage ist, welchen Fehlertyp die Organisation tolerieren will und warum.
Precision zu optimieren und dabei verpasste positive Fälle zu ignorieren.
Recall zu optimieren und dabei die Belastung durch False Positives zu ignorieren.
Eine Metrik ohne Klassenverteilung oder Schwellenwertkontext zu berichten.
Precision und Accuracy als dieselbe Metrik zu behandeln.
Verwenden Sie Precision, wenn die wichtigste Bewertungsfrage ist, ob positiven Vorhersagen vertraut werden kann. Sie ist besonders relevant für Workflows, in denen False Positives Schaden, Kosten, unnötige menschliche Prüfung oder irreführende Aussagen verursachen.
Verwenden Sie Recall, wenn die wichtigste Bewertungsfrage ist, ob das System relevante oder positive Fälle findet. Er ist besonders relevant für Erkennung, Screening, Suche und Sicherheitsworkflows, in denen verpasste positive Fälle teuer sind.
Die Wahl der Metrik beeinflusst Validierungsberichte, Risikoakzeptanz und Leistungsbehauptungen. Unter Governance im Stil von NIST AI RMF und ISO/IEC 42001 sollten Teams begründen, ob Precision, Recall oder beide zum Risikoszenario und zur Zweckbestimmung passen.
Keines ist immer wichtiger. Precision ist wichtiger, wenn False Positives teuer sind, während Recall wichtiger ist, wenn verpasste positive Fälle teuer sind.
Ja, aber es gibt häufig einen Trade-off je nach Modell, Daten und Schwellenwert. Die Evaluierung sollte das Gleichgewicht zeigen, nicht nur eine Zahl.
Die Änderung eines Schwellenwerts verändert, welche Fälle als positiv vorhergesagt werden. Dadurch kann Recall steigen und Precision sinken, oder Precision steigen und Recall sinken.
No recently viewed comparisons yet.