Evaluation & Metriken
Klassifikations-Metriken
| Metrik | Formel | Wann? |
|---|---|---|
| Accuracy | (TP+TN)/(TP+TN+FP+FN) | Ausgewogene Klassen |
| Precision | TP/(TP+FP) | FP teuer (Spam-Filter) |
| Recall | TP/(TP+FN) | FN teuer (Krebsdiagnose) |
| F1-Score | 2·P·R/(P+R) | Balance Precision/Recall |
| ROC-AUC | Fläche unter ROC-Kurve | Modell-Vergleich, Schwellwerte |
Regressions-Metriken
- MAE (Mean Absolute Error): Durchschnitt der Absolutfehler.
- MSE (Mean Squared Error): Bestraft große Fehler stärker.
- RMSE: Wurzel aus MSE — gleiche Einheit wie y.
- R²: Anteil der erklärten Varianz (0-1, höher besser).
Cross-Validation
Statt einmaligem Train-Test-Split: k-Fold CV. Daten in k Stücke teilen, k-mal trainieren mit anderem Test-Stück. Robusteres Bild der Modellqualität.
Bias-Variance-TradeoffHigh Bias = zu einfach, underfit. High Variance = zu komplex, overfit. Sweet Spot: niedriger Validation-Error, kleine Lücke zwischen Train und Test.