Precision (deutsch: Präzision) misst, wie zuverlässig die positiven Vorhersagen eines Klassifikations-Modells sind. Die Frage dahinter: "Von allem, was das Modell als positiv meldet — wie viel war wirklich positiv?" Je höher die Precision, desto seltener gibt es False Positives (Fehlalarme).
Formel und Berechnung
Precision = TP / (TP + FP)- TP (True Positive): richtig erkannte positive Fälle.
- FP (False Positive): fälschlich als positiv eingestufte Fälle.
Die Werte stammen aus der Confusion Matrix. Beispiel: Ein Spamfilter markiert 100 Mails als Spam, davon sind 90 wirklich Spam und 10 sind normale Mails. Dann ist Precision = 90 / 100 = 0,9 (90 %).
Was heißt eine hohe Precision im Alltag?
- Spamfilter: Hohe Precision bedeutet, dass kaum legitime E-Mails im Spam-Ordner landen — der Nutzer verpasst keine wichtigen Nachrichten.
- Suchmaschinen: Unter den ersten Treffern sind wenige irrelevante Ergebnisse.
- Medizinische Tests: Ein positiver Befund ist mit hoher Wahrscheinlichkeit wirklich ein Befund — wenige Fehlalarme, die zu unnötigen Untersuchungen führen.
Der Trade-off mit Recall
Precision und Recall stehen meist in Konkurrenz zueinander. Bewegt man die Entscheidungsschwelle des Modells nach oben (es meldet nur noch sehr sichere Fälle als positiv), steigt die Precision, aber der Recall sinkt — mehr positive Fälle werden übersehen. Senkt man die Schwelle, steigt der Recall, aber es kommen mehr False Positives dazu. Den Kompromiss fasst der F1-Score zusammen, das harmonische Mittel beider Werte.
Wann ist Precision wichtiger als Recall?
Immer dann, wenn ein Fehlalarm teurer ist als ein übersehener Fall. Beispiele: Spamfilter (legitime Mail im Spam ist schlimmer als Spam im Posteingang), Produktempfehlungen (irrelevante Vorschläge nerven Kunden) oder automatisierte Qualitätskontrolle (gute Teile nicht aussortieren).
Precision ist eine zentrale Metrik im Supervised Learning. Welche Metrik man optimiert, hängt vom Einsatzszenario ab — das Zusammenspiel der Kennzahlen erklärt der Artikel zur Confusion Matrix.