Der Anteil der Ausgaben oder Vorhersagen eines Systems, die genau den wahren oder beabsichtigten Werten entsprechen; in der rechnerischen Bewertung üblicherweise angegeben als Bruchteil der korrekten Ergebnisse über alle Fälle.

Prinzip

Bewertung der Gesamt-Korrektheit durch Zählen wahrer Übereinstimmungen gegenüber einer bekannten Ground Truth; alle Fehler werden gleich behandelt und über Klassen oder Ergebnisse aggregiert.

Demonstration

Bei einem binären Klassifikator, der an 100 beschrifteten Beispielen getestet wurde und bei dem 82 Vorhersagen mit den Labels übereinstimmen, beträgt die Genauigkeit 82/100 = 0,82.

Fehlanwendung

Anwendung der Genauigkeit auf stark unausgeglichene Datensätze, um gute Leistung zu behaupten, obwohl ein trivialer Klassifikator, der immer die Mehrheitsklasse vorhersagt, hohe Genauigkeit erreicht und dennoch bei der Minderheitsklasse versagt.

Konsequenz

Bei angemessener Verwendung mit ausgeglichenen oder richtig gewichteten Datensätzen liefert die Genauigkeit eine leicht verständliche Einzelwert-Zusammenfassung der Korrektheit, die sich gut vergleichen lässt.

Umkehrung

Die Fokussierung auf Recall oder Precision pro Klasse statt auf die Gesamtgenauigkeit hebt klassen­spezifische Leistung hervor und kann mangelhafte Verhaltensweisen aufdecken, die durch hohe Gesamtgenauigkeit verdeckt werden.

Abgrenzung

Gilt für Probleme mit einer klar definierten Ground Truth und diskreten auswertbaren Ausgaben; schließt kontinuierliche Fehlermaße (z. B. mittlere quadratische Abweichung) und Kontexte aus, in denen Klassenungleichgewicht die rohe Quote ohne Gewichtung oder begleitende Metriken irreführend macht.

Semantische Spannung

Wird oft mit ‚Precision‘ und ‚Recall‘ im Informationsabruf verwechselt; Genauigkeit ist eine aggregierte Korrektheitsmaßeinheit, während Precision den positiven Vorhersagewert und Recall die Trefferquote misst.

Synthese

Genauigkeit ist der aggregierte Anteil korrekter Ausgaben im Verhältnis zu einer definierten Ground Truth; sie ist einfach und aussagekräftig für ausgeglichene, diskrete Aufgaben, muss aber durch klassen­sensible oder kontinuierliche Metriken ergänzt werden, wenn Verteilungen oder Fehlerschwere variieren.