nauwkeurigheidprecisierecall

Nauwkeurigheid, precisie en recall zijn statistische maatstaven die gebruikt worden om de prestaties van classificatiemodellen te evalueren. Ze richten zich op verschillende aspecten van voorspellingen en kunnen samen een completer beeld geven dan een enkele maat.

Nauwkeurigheid, ook wel accuracy genoemd, geeft aan welk aandeel van alle voorspellingen correct is. Het wordt berekend als (TP + TN) / (TP + FP + TN + FN), waarbij TP true positives, TN true negatives, FP false positives en FN false negatives zijn. Precisie, ook wel precision genoemd, meet welk deel van de door het model als positief voorspelde gevallen daadwerkelijk positief is: TP / (TP + FP). Recall, ook bekend als recall, toont welk deel van de feitelijke positieve gevallen door het model is opgespoord: TP / (TP + FN). In de praktijk kunnen precisie en recall elkaar tegenwerken: een model kan bijvoorbeeld hoog voorspellen maar veel fout-positieven produceren, wat de precisie verlaagt maar de recall kan verhogen.

Veranderingen in de classificatiedrempel beïnvloeden precisie en recall. Een hogere drempel verhoogt meestal de precisie maar verlaagt de recall, terwijl een lagere drempel de recall kan verhogen ten koste van de precisie. Om een evenwicht te bereiken, wordt vaak de F1-score gebruikt, een harmonische middenweg van precisie en recall. Voor multi-class taken worden macro- en micro-averages toegepast, en aanvullende evaluatiemethoden zoals ROC- of PR-curves worden toegepast afhankelijk van de context en class-distributie.

Een kort voorbeeld: stel 100 samples, 20 feitelijk positief. Het model voorspelt 25 positives, waarvan 15 echt positief zijn (TP=15 en FP=10). FN=5 en TN=70. De nauwkeurigheid is (15+70)/100 = 0,85; de precisie is 15/(15+10) = 0,6; de recall is 15/(15+5) = 0,75. Deze cijfers illustreren hoe de drie maten samen een beter begrip geven van modelprestaties.