Precision-Recall-Kurven-Generator

Was zeigt eine Precision-Recall-Kurve?

Eine Precision-Recall-Kurve visualisiert den Trade-off zwischen dem positiven Vorhersagewert (Precision) und der Sensitivität (Recall) bei der Variation des Klassifikationsschwellenwerts. Sie ist besonders aussagekräftig bei stark unbalancierten Datensätzen mit seltenen positiven Fällen.

Datenanforderungen für den Precision-Recall-Kurven-Generator

• Eine Zeile pro Fall mit dem tatsächlichen binären Label und einem kontinuierlichen Score oder einer vorhergesagten Wahrscheinlichkeit.
• Optionale Spalte für Modell, Fold, Kohorte oder Subgruppe für vergleichende Kurven.
• Die Definition der positiven Klasse muss über alle Datenreihen hinweg absolut konsistent sein.
• Nutzen Sie Vorhersagen aus Out-of-Sample-Daten oder einer Kreuzvalidierung, keine Trainingsdaten.

Anwendungsbeispiele aus der Forschung für Precision-Recall-Kurven

• Precision-Recall bei unausgewogenen Klassen
• PR-AUC für Krankheitsscreening
• Mehrklassige Precision-Recall-Kurve
• ROC- und PR-Modellvergleich
• Precision-Recall der Objekterkennung
• PR-Kurve mit Average Precision

Warum eine Precision-Recall-Kurve nutzen?

• Klassifikatoren bei stark unbalancierten Klassen (Rare Events) präzise evaluieren.
• Direkt sehen, wie stark die Precision durch zusätzliche False Positives sinkt, wenn man den Recall erhöhen möchte.
• Modelle exakt an den Schwellenwerten vergleichen, die für die praktische Anwendung relevant sind.
• Die Average Precision (AP) oder die Fläche unter der Kurve (AUC-PR) stets zusammen mit der vollständigen Kurve berichten.

So verwenden Sie Precision-Recall-Kurven-Generator

Wählen Sie ein Beispiel oder laden Sie eine CSV-, TSV-, TXT-, XLSX- oder XLS-Datei hoch. Prüfen Sie die erkannten Spalten, erzeugen Sie das Diagramm und bearbeiten Sie es in SciVis. Bei Excel wird das erste Tabellenblatt verwendet.

Elemente einer präzisen Precision-Recall-Kurve

• Recall auf der X-Achse und Precision auf der Y-Achse.
• Eindeutige Angabe, welche Kategorie als positive Klasse definiert ist.
• Eine Baseline (No-Skill-Linie), die der Prävalenz der positiven Klasse im Datensatz entspricht.
• Separate Kurven inklusive Unsicherheitsbereichen für verschiedene Modelle oder Validierungs-Folds.

Precision-Recall-Kurve oder ROC-Kurve?

Nutzen Sie Precision-Recall, wenn die positive Klasse selten ist oder False Positives direkte, kritische Konsequenzen haben. ROC-Kurven basieren auf Sensitivität und Spezifität und können bei starker Klassenimbalance ein übermäßig optimistisches Bild der Modellleistung vermitteln. Oft ist es wissenschaftlich sinnvoll, beide Kurven zu zeigen.