In der Übersicht sind alle Ihre Kategorien aufgelistet. Dabei werden auch noch die Werte Precision, Recall, F1-Mass und die Anzahl hochgeladener Beispiele pro Kategorie angezeigt.
Diese Werte hängen auch mit der Konfusionsmatrix zusammen. Im Folgenden wird die Bedeutung dieser Werte erklärt.
Precision
Precision beschreibt den Anteil der korrekt klassifizierten Beispiele im Verhältnis zu allen zu dieser Kategorie klassifizierten Beispielen, korrekt wie auch fehlerhaft.
Ein Beispiel: In den Trainingsdaten gibt es 100 Beispiele, die der Kategorie «Credit Card» zugewiesen sind. Der Klassifikator sagt bei 88 Beispielen die Kategorie Credit Card voraus. Davon sind aber nur 53 korrekt, das heisst, dass die Precision von 53/88 = 0.6 = 60 % beträgt.
Recall
Recall beschreibt den Anteil der korrekt klassifizierten Beispiele einer Kategorie im Verhältnis zu allen tatsächlichen Beispielen dieser Kategorie. Also auch denjenigen dazugehörigen Beispielen, die fehlerhaft zu einer anderen Kategorie zugeordnet wurden.
Ein Beispiel: In den Trainingsdaten gibt es 100 Beispiele, die der Kategorie «Credit Card» zugewiesen sind. Allerdings werden nur 53 dieser 100 Beispiele tatsächlich vom Klassifikator der Kategorie Credit Card zugewiesen. Das führt zu einem Recall von 53/100 = 0.53 = 53 %.
F1-Mass
F1-Mass ist der gewichtete Mittelwert zwischen Precision und Recall einer Kategorie.
Precision, Recall und F1-Mass sollten alle möglichst hoch sein. Dabei ist der kleinste annehmbare Wert 0 und der grösste 1. Die Idealwerte betragen bei Precision, Recall und F1-Mass somit = 1. Allerdings wird dieser Wert realistischerweise selten erreicht werden.