Accuracy ist eine Metrik, die angibt, wie oft ein Modell korrekte Vorhersagen trifft. Sie wird berechnet als der Anteil der korrekten Vorhersagen (True Positives + True Negatives) an der Gesamtzahl der Vorhersagen. Sie misst somit, wie genau das Modell insgesamt ist.

accuracy = [True Positives (TP) + True Negatives (TN) ] / Gesamtanzahl der Vorhersagen (TP+TN+FP+FN)

je nach Bedarf, in der Regel beim trainieren eines Neuen Klassifikationsmodells

Precision, Recall

In diesem Beispiel bedeutet eine Accuracy von 85%, dass das Modell in 85% der Fälle korrekte Vorhersagen gemacht hat.

Ausgehend auf der Grundlage des Beispiels der KPI Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) True Negatives (TN): 55 (E-Mails, die korrekt als kein Spam erkannt wurden) False Positives (FP): 5 (E-Mails, die fälschlicherweise als Spam markiert wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als kein Spam markiert wurden) Die Gesamtanzahl wäre also 100, woraus sich eine Accuracy von accuracy = ( 30 + 50 ) / ( 30 + 55 + 5 + 10 ) = 85 / 100 = 0,85 = 85% ergibt

Fallabhängig