Plattform
Plattform-ÜbersichtAI Adoption & Multi-ModellSelbstbefüllendes KI-CRMSales & Branchen CRMSales CRM Use CasesRecruiting CRM Use CasesB2B Kontakt-SucheMulti-Channel-KampagnenProjekte & AufgabenTeam-MessengerSocial Media StudioFunnel & NewsletterMeetings & Terminbuchung
Beratung, Preise & Ressourcen
KI-Transformation & StrategieManaged ServicesAlexander Weltzsch · Executive AdvisoryDennis Hilger · B2B Growth AdvisoryPreise & LizenzrechnerÜber unsKI im UnternehmenTech und KI GlossarLeitfaden für erfolgreiche LandingpagesGeschäftsbedingungen und RichtlinienKontakt & Live-Demo
← Zurück zum Tech und KI Glossar (A–Z)
Tech und KI Glossar · Buchstabe · Buchstabe A

Accuracy (Genauigkeit) & F-Score

Accuracy (Genauigkeit) & F-Score

Definition

Accuracy (Treffergenauigkeit) und F-Score (meist als F1-Score angegeben) sind statistische Kennzahlen, mit denen die Vorhersagegüte von Klassifikationsmodellen im Machine Learning anhand richtiger und falscher Zuordnungen gemessen wird.

Erklärung

Die Accuracy teilt die Anzahl aller korrekten Vorhersagen (richtig-positive plus richtig-negative Fälle) durch die Gesamtzahl aller geprüften Datenpunkte. Bei stark ungleich verteilten Klassen (Class Imbalance) führt dieser Wert jedoch in die Irre: Konvertiert nur 1 % aller Leads, erzielt ein Modell, das pauschal jeden Lead als „konvertiert nicht“ einstuft, rechnerisch 99 % Accuracy, erkennt aber keinen einzigen Käufer. Der F1-Score vermeidet diesen blinden Fleck als harmonisches Mittel aus Precision (welcher Anteil der als positiv markierten Fälle tatsächlich positiv ist) und Recall (welcher Anteil aller tatsächlich positiven Fälle gefunden wurde) nach der Formel 2 × (Precision × Recall) / (Precision + Recall). Er erreicht nur dann einen hohen Wert, wenn sowohl Fehlalarme (False Positives) als auch übersehene Treffer (False Negatives) niedrig bleiben. Je nach Anwendungsfall gewichten Teams auch asymmetrisch (etwa mit dem F0.5- oder F2-Score): Bei einem Spam-Filter wiegt eine fälschlich aussortierte Kundenanfrage schwerer (Fokus auf Precision), während bei der Betrugs- oder Kündigungsfrüherkennung möglichst kein kritischer Fall übersehen werden darf (Fokus auf Recall).