Fehler-/Konfusionsmatrix einfach erklärt

Описание: 95 % Accuracy und trotzdem unbrauchbar?

In diesem Video zeige ich dir, warum Accuracy bei binären Klassifikationsproblemen oft eine irreführende Metrik ist und weshalb ein Modell in der Praxis trotz scheinbar hervorragender Ergebnisse komplett versagen kann.

Du lernst die wichtigsten Bewertungsmetriken im Machine Learning kennen, darunter:
➤ Accuracy
➤ Recall / Sensitivität
➤ Precision
➤ Specificity
➤ F1-Score
➤ False Positive Rate

Außerdem schauen wir uns an, wie die Confusion Matrix funktioniert und warum sie so wichtig ist, um Modellfehler wirklich zu verstehen.

Anhand eines realitätsnahen Beispiels mit Kreditkartenbetrug erkläre ich, warum insbesondere bei unausgeglichenen Datensätzen (imbalanced datasets) Accuracy ein falsches Gefühl von Sicherheit vermitteln kann.

Am Ende vom Video wirst du sehen, dass nicht das Modell mit der höchsten Accuracy ist automatisch das beste, sondern das Modell, das für dein konkretes Problem die richtigen Fehler minimiert.

______________

👋 Willkommen bei KI Kosmos

Mein Name ist Felix und auf diesem Kanal erkläre ich KI-Modelle und Machine-Learning-Konzepte einfach und verständlich.

Mein Ziel ist es, dir zu zeigen, was wirklich hinter den Modellen steckt, mathematisch, intuitiv und praxisnah.

______________

⌚️ Kapitel im Video
0:00 – Intro
0:38 – Binäre Klassifikationsmodelle
2:58 – Genauigkeit (Accuracy)
3:15 – Fehlermatrix/Konfusionsmatrix
3:34 – Sensitivität/Recall/True-Positive-Rate
5:05 – Präzision
5:41 – Zielkonflikt zwischen Sensitivität und Präzision
6:33 – F1-Score
6:56 – Spezifität
7:28 – Falsch-Positiv-Rate
8:04 – Das Problem mit der Genauigkeit
10:16 – Zusammenfassung
10:38 – Ende und Outro