Erfahre, wie wichtig die Genauigkeit beim maschinellen Lernen ist, wie sie berechnet wird, wo die Grenzen bei unausgewogenen Datensätzen liegen und wie du die Modellleistung verbessern kannst.
Die Genauigkeit ist eine grundlegende Leistungskennzahl beim maschinellen Lernen (ML), insbesondere bei Klassifizierungsaufgaben. Sie misst den Anteil der gesamten Vorhersagen, die ein Modell richtig erkannt hat. Einfach ausgedrückt, beantwortet sie die Frage: "Wie viele der getroffenen Vorhersagen waren tatsächlich richtig?" Sie gibt einen einfachen Überblick über die Gesamtleistung eines Modells in einem bestimmten Datensatz.
Die Genauigkeit wird berechnet, indem die Anzahl der richtigen Vorhersagen (sowohl wahr-positive als auch wahr-negative) durch die Gesamtzahl der getroffenen Vorhersagen geteilt wird. Obwohl sie intuitiv ist, kann die Genauigkeit allein manchmal irreführend sein, vor allem bei unausgewogenen Datensätzen - also in Situationen, in denen eine Klasse deutlich in der Überzahl ist. Wenn ein Datensatz zum Beispiel 95 % Nicht-Spam-E-Mails und 5 % Spam-E-Mails enthält, würde ein Modell, das einfach für jede E-Mail "kein Spam" vorhersagt, eine Genauigkeit von 95 % erreichen, obwohl es für die Identifizierung von tatsächlichem Spam nutzlos ist. Deshalb ist es wichtig, die Genauigkeit zusammen mit anderen Bewertungskriterien zu betrachten, um ein vollständiges Bild der Modellleistung zu erhalten. Hier erhältst du weitere Einblicke in die Modellbewertung und die Strategien zur Feinabstimmung.
Es ist wichtig, die Genauigkeit von verwandten Kennzahlen zu unterscheiden:
Diese Kennzahlen werden oft von einer Konfusionsmatrix abgeleitet, die eine detaillierte Aufschlüsselung der richtigen und falschen Klassifizierungen für jede Klasse enthält. Es ist wichtig, diese YOLO zu verstehen.
Die Genauigkeit dient in vielen Anwendungen als Basismaßstab:
Innerhalb des Ultralytics ist die Genauigkeit eine von mehreren Kennzahlen, die zur Bewertung der Modellleistung verwendet werden, insbesondere bei Bildklassifizierungsaufgaben. Beim Vergleich von Modellen, z. B. YOLO11 vs. YOLOv8, liefern Genauigkeitsbenchmarks auf Standarddatensätzen wie ImageNet wertvolle Vergleichspunkte, neben der Inferenzgeschwindigkeit und den Rechenkosten. Für Erkennungs- und Segmentierungsaufgaben werden jedoch Metriken wie mAP bevorzugt, da sie die besonderen Herausforderungen dieser Aufgaben besser widerspiegeln.