Classificatieaccuratesse

Classificatieaccuratesse, ook wel bekend als nauwkeurigheid, is een statistische maat die aangeeft welk deel van de voorspellingen van een classificatiemodel correct is. Het wordt vaak gebruikt om de algemene prestaties van een model te beoordelen op een gegeven dataset.

Voor een binaire classificatie wordt de accuratesse berekend als (TP + TN) / (TP + TN + FP + FN), waarbij TP staat voor true positives, TN voor true negatives, FP voor false positives en FN voor false negatives. Bij multi-class classificatie geldt hetzelfde principe: accuratesse = aantal correcte voorspellingen gedeeld door het totale aantal voorspellingen. In de praktijk wordt accuratesse meestal berekend op een onafhankelijke testset of via kruisvalidering.

Interpretatie: een accuratesse van 0,9 (of 90%) betekent dat 90% van de voorspellingen correct waren. Bij probabilistische modellen kan accuratesse afhankelijk zijn van de drempelwaarde waarmee een probabilistische uitslag wordt omgezet in een harde classificatie.

Beperkingen: accuratesse kan misleidend zijn bij sterk scheve klassenverdeling. Een model kan bijvoorbeeld een hoge accuratesse behalen door altijd de meerderheidsklasse te kiezen, terwijl prestaties voor minderheidsklassen slecht zijn. Daarnaast geeft accuratesse geen inzicht in de foutenpatronen (welke klassen verwarren elkaar) en zegt het weinig over calibratie of per-klasse prestaties.

Aanvullende maatstaven: voor een completer beeld worden vaak precisie, recall, F1-score en ROC-AUC gerapporteerd, evenals macro- of micro-averaged versies voor multi-class taken. Het kiezen van de juiste maat hangt af van de context en de klassebalans.