F-Score

Kurzdefinition: Die Bewertung von Künstlicher Intelligenz (KI) ist entscheidend, um zu verstehen, wie gut ein Modell in der Praxis funktioniert. Hier kommt der F-Score ins Spiel.

Er bietet eine Möglichkeit, die Leistung eines Modells zu bewerten – ohne sich auf eine einzige Kennzahl zu verlassen. In diesem Artikel erkläre ich dir ohne komplizierte Formeln, was der F-Score ist, warum er wichtig ist und wie er dir helfen kann, die Stärken und Schwächen eines KI-Systems zu verstehen.

Mit anschaulichen Beispielen machen wir das Thema leicht verständlich.

Was ist der F-Score?

Der F-Score ist eine Kennzahl, die die Leistung eines KI-Modells bewertet, indem sie zwei wichtige Aspekte kombiniert: Precision und Recall . Warum ist das wichtig? Stell dir vor, du entwickelst eine KI, die Spam-E-Mails von normalen E-Mails unterscheiden soll.

Du möchtest sicherstellen, dass: Möglichst viele Spam-E-Mails korrekt erkannt werden (Recall). Normale E-Mails nicht fälschlicherweise als Spam markiert werden (Precision). Der F-Score hilft dabei, diese beiden Faktoren ins Gleichgewicht zu bringen.

Precision und Recall einfach erklärt

Precision (Genauigkeit): Precision zeigt, wie viele der als „positiv“ klassifizierten Fälle tatsächlich korrekt sind. Beispiel: Wenn dein Spam-Filter 10 E-Mails als Spam markiert und davon 8 tatsächlich Spam sind, beträgt die Precision 80 %.

Recall (Trefferquote): Recall zeigt, wie viele der tatsächlich positiven Fälle erkannt wurden. Beispiel: Wenn in deinem Posteingang 20 Spam-E-Mails sind und dein Spam-Filter davon 16 erkennt, beträgt der Recall 80 %.

Warum brauchen wir den F-Score?

Precision und Recall sind beide wichtig, aber sie allein geben kein vollständiges Bild. Ein Modell könnte eine hohe Precision haben, indem es nur sehr wenige Fälle als positiv markiert, aber dabei viele wichtige Treffer verpasst (niedriger Recall).

Oder es könnte einen hohen Recall haben, indem es fast alles als positiv markiert, aber dabei viele Fehler macht (niedrige Precision). Der F-Score kombiniert Precision und Recall zu einer einzigen Zahl, die zeigt, wie gut das Modell insgesamt funktioniert.

Ein anschauliches Beispiel

Szenario: Spam-Filter Dein Posteingang hat 100 E-Mails, davon sind 30 Spam und 70 normale E-Mails. Dein KI-Filter markiert 25 E-Mails als Spam, wovon 20 tatsächlich Spam sind. Precision: Von den 25 als Spam markierten E-Mails sind 20 korrekt. Precision = 80 %.