DE 
EnglishDefault
Українська
Polski🎯 Konfusionsmatrix- & ROC-AUC-Explorer
Ziehen Sie den Entscheidungsschwellenwert über zwei sich überlappende Score-Verteilungen und beobachten Sie, wie sich Konfusionsmatrix, ROC-Kurve, AUC und Precision-Recall-Kurve live aktualisieren.
Über diese Simulation
Ziehen Sie den Entscheidungsschwellenwert über zwei sich überlappende Score-Verteilungen und beobachten Sie, wie sich Konfusionsmatrix, ROC-Kurve, AUC und Precision-Recall-Kurve live aktualisieren.
🔬 Was gezeigt wird
Zwei überlappende Score-Verteilungen für positive und negative Beispiele. Beim Verschieben des Entscheidungsschwellenwerts aktualisieren sich Konfusionsmatrix, ROC-Kurve, AUC-Wert und Precision-Recall-Kurve live, sodass der Zusammenhang zwischen Schwellenwert und Klassifikationsfehlern direkt sichtbar wird.
🎮 Bedienung
Ziehen Sie den Schwellenwert-Regler und beobachten Sie, wie sich echte/falsche Positive und Negative in der Konfusionsmatrix verschieben. Ändern Sie die Klassentrennung, um zu sehen, wie sich Form und AUC der ROC-Kurve verändern.
💡 Wussten Sie schon?
Ein AUC-Wert von 0,5 bedeutet, dass der Klassifikator nicht besser als reines Raten ist; ein Wert von 1,0 bedeutet perfekte Trennung — jedes positive Beispiel erhält einen höheren Score als jedes negative.
Häufig gestellte Fragen
Warum sind Precision-Recall-Kurven bei unausgewogenen Datensätzen wichtiger als ROC-Kurven?
Die in ROC-Kurven verwendete Falsch-Positiv-Rate wird durch die Anzahl der Negativen normiert, die in einem unausgewogenen Datensatz riesig ist — sodass selbst viele falsch Positive als winzige FPR erscheinen und der ROC-AUC trügerisch hoch bleibt. Die in der Precision-Recall-Kurve verwendete Präzision wird stattdessen durch die Anzahl der vorhergesagten Positiven normiert und zeigt daher direkt, wie oft eine positive Vorhersage falsch ist.
Was ist der Unterschied zwischen Precision und Recall (TPR)?
Recall (auch True-Positive-Rate oder Sensitivität) ist TP / (TP + FN) — von allen tatsächlich Positiven, welcher Anteil wurde erkannt. Precision ist TP / (TP + FP) — von allem, was der Klassifikator als positiv markiert hat, welcher Anteil war tatsächlich positiv. Ein höherer Schwellenwert erhöht typischerweise die Precision, während der Recall sinkt, und umgekehrt.
Was ist der F1-Score und wann sollte ich ihn verwenden?
F1 ist das harmonische Mittel von Precision und Recall: 2 × Precision × Recall / (Precision + Recall). Anders als ein einfacher Durchschnitt wird das harmonische Mittel stark von der kleineren der beiden Größen heruntergezogen, sodass F1 nur hoch bleibt, wenn beide angemessen hoch sind. Es ist eine nützliche Einzahl-Zusammenfassung bei einem bestimmten Schwellenwert, besonders bei unausgewogenen Daten, wo einfache Genauigkeit irreführend ist.
Wie beeinflusst das Verschieben des Entscheidungsschwellenwerts das Verhältnis von falsch Positiven zu falsch Negativen?
Ein höherer Schwellenwert macht den Klassifikator konservativer: Weniger Beispiele werden als positiv vorhergesagt, was falsch Positive verringert, aber falsch Negative erhöht. Ein niedrigerer Schwellenwert bewirkt das Gegenteil. Es gibt keinen Schwellenwert, der beides gleichzeitig minimiert, wenn sich die beiden Score-Verteilungen überlappen — die Wahl hängt davon ab, welcher Fehler in der Anwendung teurer ist.
Warum verändert die Klassentrennung die Form der ROC-Kurve?
Die Klassentrennung bestimmt, wie weit die mittleren Scores der positiven und negativen Verteilung auseinanderliegen. Überlappen sich die Verteilungen kaum, trennt fast jeder Schwellenwert die beiden Klassen sauber, sodass die TPR viel schneller steigt als die FPR — die ROC-Kurve wölbt sich zur oberen linken Ecke und die AUC nähert sich 1,0. Überlappen sich die Verteilungen stark, kollabiert die Kurve zur Diagonalen und die AUC nähert sich 0,5.
Was ist eine Konfusionsmatrix?
Eine Konfusionsmatrix ist eine 2×2-Tabelle, die die vorhergesagten Labels eines binären Klassifikators den wahren Labels gegenüberstellt: echt Positive (TP), falsch Positive (FP), echt Negative (TN) und falsch Negative (FN). Jede schwellenwertbasierte Genauigkeitskennzahl — Precision, Recall, F1, Spezifität — wird direkt aus diesen vier Zahlen berechnet.
Wie wird die ROC-Kurve aus einem Schwellenwert-Sweep konstruiert?
Die ROC-Kurve (Receiver Operating Characteristic) wird konstruiert, indem der Entscheidungsschwellenwert vom höchsten zum niedrigsten Wert durchlaufen, bei jedem Schritt die Konfusionsmatrix neu berechnet und die resultierende Falsch-Positiv-Rate gegen die True-Positive-Rate aufgetragen wird. Bei sehr hohem Schwellenwert wird fast nichts als positiv vorhergesagt, sodass beide Raten nahe (0,0) beginnen; bei minimalem Schwellenwert endet die Kurve bei (1,1).
Was misst AUC eigentlich, und was bedeuten 0,5 und 1,0?
AUC ist die Fläche unter der ROC-Kurve, gleichbedeutend mit der Wahrscheinlichkeit, dass ein zufällig gewähltes positives Beispiel einen höheren Score erhält als ein zufällig gewähltes negatives. Ein AUC von 0,5 bedeutet, dass der Klassifikator nicht besser als Zufallsraten ist; ein AUC von 1,0 bedeutet perfekte Trennung.