Genauigkeit kann Probleme verschleiern. Eine Konfusionsmatrix deckt sie auf. Die Tabelle vergleicht vorhergesagte mit tatsächlichen Kategorien und zeigt so genau, wo ein Klassifikator erfolgreich ist und wo er versagt.

Die Zeilen repräsentieren typischerweise die tatsächlichen Klassen, die Spalten die Vorhersagen. Die Diagonale enthält die korrekten Klassifizierungen. Zellen außerhalb der Diagonalen zeigen spezifische Fehler an, beispielsweise gutartige Tumore, die fälschlicherweise als bösartig vorhergesagt wurden. Muster in diesen Zellen tragen zur Verbesserung bei.

Abgeleitete Metriken

• Präzision der vorhergesagten positiven Ergebnisse, wie viele sind korrekt?
• Erinnern Sie sich, wie viele der tatsächlich positiven Fälle es gab.
• Spezifität, Trefferquote
• F1-Score, harmonisches Mittel aus Präzision und Trefferquote

Klassenungleichgewicht macht die Matrix unerlässlich. Wenn eine Klasse dominiert, erscheint die Genauigkeit hoch, während die Minderheitsklasse ignoriert wird. Die Matrix zeigt, ob das Modell tatsächlich lernt oder lediglich die Mehrheitsklasse vorhersagt.