Accuracy, Precision, Recall und F1-Score berechnen
Wie gut ist ein Klassifikator, ein Spamfilter oder ein Test? Die Accuracy allein kann täuschen, besonders bei seltenen Klassen. Der Rechner berechnet aus der Konfusionsmatrix alle wichtigen Kennzahlen: Accuracy, Precision, Recall, Spezifität, F1, F-Beta, Balanced Accuracy und den Matthews-Korrelationskoeffizienten.
Herausgeber: Daniel Niedermayer (so prüfen wir), Stand 21. Oktober 2026. Quellen am Seitenende. · fixrechner.de bei Google bevorzugen
| Kennzahl | Formel | Wert |
|---|
Das Accuracy-Paradoxon
Sind nur 1 % aller Fälle positiv, erreicht ein Modell, das immer „negativ“ sagt, 99 % Accuracy und ist trotzdem nutzlos. Bei unausgewogenen Klassen sind deshalb Precision (wie viele der als positiv erkannten Fälle stimmen), Recall (wie viele der tatsächlich positiven Fälle gefunden werden) und daraus abgeleitete Werte aussagekräftiger. Die Balanced Accuracy mittelt Recall und Spezifität; der Matthews-Korrelationskoeffizient (MCC) berücksichtigt alle vier Felder und gilt als robustes Einzelmaß.
Precision oder Recall?
Was wichtiger ist, hängt von den Fehlerkosten ab. Beim Spamfilter ist ein falsch-positives Ergebnis (wichtige Mail im Spam) teuer, also zählt Precision. Bei einer Krebsvorsorge ist ein übersehener Fall schlimmer, also zählt Recall. Der F-Beta-Score gewichtet entsprechend: β = 2 betont Recall, β = 0,5 betont Precision, β = 1 ergibt den F1-Score.
Häufige Fragen
Wie berechnet man die Accuracy?
(TP + TN) ÷ alle Fälle. Mit 90, 10, 30 und 870 sind das 960 von 1.000, also 96 %.
Was ist der F1-Score?
Das harmonische Mittel aus Precision und Recall: 2 × P × R ÷ (P + R).
Wann ist die Accuracy irreführend?
Bei stark unausgewogenen Klassen, weil ein Modell schon durch das Vorhersagen der häufigen Klasse hohe Werte erreicht.