Sorry, this entry is only available in German.

(Deutsch) Recall = True Positives (TP) / [True Positives (TP) + False Negatives (FN)]

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

(Deutsch) Accuracy, Precision

(Deutsch) Precision fokussiert sich darauf, wie präzise die positiven Vorhersagen sind (wie viele der vorhergesagten positiven Fälle sind tatsächlich positiv?). Recall misst, wie gut das Modell tatsächlich alle positiven Fälle erkennt (wie viele der tatsächlichen positiven Fälle wurden als positiv erkannt?).

Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.  korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat. Confusion Matrix, ergäben sich für die Accuracy folgende Werte: True Positives (TP): 30 (E-Mails, die korrekt als Spam erkannt wurden) False Negatives (FN): 10 (E-Mails, die fälschlicherweise als Nicht-Spam markiert wurden, obwohl sie Spam sind) Recall = 30 / ( 30 + 10 ) = 30 / 40 = 0,75 = 75% In diesem Beispiel bedeutet eine Recall von 75%, dass das Modell 75% der tatsächlich als Spam klassifizierten E-Mails korrekt erkannt hat.

(Deutsch) Fallabhängiger Recall bedeutet, dass das Modell möglichst viele positive Fälle findet, es kann aber möglicherweise mehr Fehler (False Positives) machen