Im Informationsabruf und bei Klassifikationen der Anteil der vom System als positiv gekennzeichneten Elemente, die tatsächlich wahre Positive sind; auch positiver Vorhersagewert genannt.

Prinzip

Die Vertrauenswürdigkeit positiver Vorhersagen quantifizieren, indem wahre Positive durch alle positiv vorhergesagten Fälle geteilt werden; betont die Korrektheit unter den vorhergesagten Positiven statt die Abdeckung aller tatsächlichen Positiven.

Demonstration

Ein Spam‑Filter markiert 50 E‑Mails als Spam; 40 davon sind tatsächlich Spam, also Precision = 40/50 = 0,8.

Fehlanwendung

Alleinige Optimierung auf Präzision kann ein System erzeugen, das sehr wenige Elemente als positiv kennzeichnet (um Falsch‑Positive zu vermeiden) und dadurch schlechten Recall hat und viele tatsächliche Positive verpasst.

Konsequenz

Hohe Präzision reduziert die Rate falscher Alarme und ist angebracht, wenn die Kosten für Falsch‑Positive hoch sind; sie stützt Entscheidungen, bei denen positive Vorhersagen zuverlässig sein müssen.

Umkehrung

Priorisierung des Recalls gegenüber der Präzision (z. B. durch Senken des Entscheidungsschwellenwerts) erhöht das Erkennen von Positiven, verringert aber typischerweise die Präzision, weil mehr Falsch‑Positive auftreten.

Abgrenzung

Definiert für Klassifikationsaufgaben mit klarer positiver Klasse und binären oder geschwellenwerteten Ausgaben; nicht direkt auf Mehrklassenprobleme ohne klassenweise Definition oder auf Regression ohne Diskretisierung anwendbar.

Semantische Spannung

Wird oft gegenüber Genauigkeit und Recall gestellt; Präzision misst die Qualität der positiven Vorhersagen, während Recall die Menge erfasster wahrer Positiver misst—beide müssen ausbalanciert werden.

Synthese

Präzision misst die Reinheit der vorhergesagten Positiven: den Anteil korrekter Vorhersagen unter den als positiv markierten Fällen. Anwenden, wenn Falsch‑Positive kostspielig sind, und zusammen mit Recall oder F‑Score betrachten.