Accuracy

Was ist Accuracy?

Accuracy (deutsch: Trefferquote oder Genauigkeit) ist eine der grundlegenden Kennzahlen zur Bewertung von Klassifikationsmodellen im Maschinellen Lernen. Sie misst, wie viele Vorhersagen ein Modell insgesamt korrekt getroffen hat – ausgedrückt als Anteil der richtigen Zuordnungen an allen Vorhersagen. Eine Accuracy von 0,92 bedeutet also: In 92 von 100 Fällen hat das Modell die richtige Kategorie vorhergesagt.

Wie funktioniert Accuracy?

Die Berechnung ist denkbar einfach: Anzahl der korrekten Vorhersagen geteilt durch die Gesamtanzahl aller Vorhersagen. Ein Modell, das 180 von 200 E-Mails korrekt als Spam oder Nicht-Spam einordnet, erreicht eine Accuracy von 90 %. Dabei spielt es keine Rolle, welche Art von Fehler das Modell macht – ob es Spam übersieht oder harmlose E-Mails fälschlicherweise blockiert, fließt gleich gewichtet in die Kennzahl ein.

Genau hier liegt die wichtigste Einschränkung: Bei unbalancierten Datensätzen kann Accuracy täuschen. Wenn 95 % aller Transaktionen legitim sind, erreicht ein Modell, das einfach immer "legitim" vorhersagt, eine Accuracy von 95 % – ohne auch nur einen Betrugsfall zu erkennen. Deshalb wird Accuracy fast immer zusammen mit ergänzenden Metriken wie dem F-Score betrachtet.

Vorteile für Unternehmen

• Schneller Überblick: Accuracy liefert auf einen Blick einen verständlichen Anhaltspunkt dafür, wie gut ein Modell insgesamt arbeitet – auch für nicht-technische Stakeholder.
• Vergleichbarkeit: Beim Testen verschiedener Modellvarianten auf demselben Datensatz ermöglicht Accuracy einen direkten, unkomplizierten Vergleich.
• Einfache Kommunikation: Prozentwerte sind intuitiv verständlich und lassen sich in Berichten, Präsentationen und Entscheidungsvorlagen leicht vermitteln.
• Solider Einstiegspunkt: Für erste Prototypen und Machbarkeitsstudien bietet Accuracy eine schnelle Orientierung, bevor aufwendigere Evaluationsmethoden zum Einsatz kommen.

Praxisbeispiele

Beispiel 1: Qualitätskontrolle im Maschinenbau

Ein mittelständischer Maschinenbauer setzt ein Computer-Vision-Modell ein, um Bauteile automatisch auf Oberflächenfehler zu prüfen. Da fehlerhafte Teile und einwandfreie Teile in etwa gleich häufig vorkommen, ist Accuracy hier eine aussagekräftige Kennzahl. Das Modell erreicht 94 % Accuracy – von 1.000 geprüften Teilen werden also 940 korrekt klassifiziert. Die Qualitätssicherung kann den Durchsatz erhöhen, ohne die Fehlerquote zu steigern.

Beispiel 2: Kundensegmentierung im E-Commerce

Ein Online-Händler trainiert ein Modell, das Kunden in drei Kaufbereitschafts-Segmente einteilt: "kaufbereit", "unentschlossen" und "nicht interessiert". Da alle drei Segmente ähnlich groß sind, gibt die Accuracy zuverlässig an, wie oft das Modell die richtige Kategorie trifft. Bei 78 % Accuracy weiß das Marketing-Team, dass rund jede vierte Einordnung überprüft werden sollte – und kann gezielt nachsteuern.

Worauf du achten solltest

Accuracy ist kein universelles Gütezeichen. Bei stark unbalancierten Klassen – etwa bei Betrugserkennung, Krankheitsdiagnosen oder seltenen Ereignissen – solltest du zwingend zusätzliche Metriken heranziehen. Relevant sind dann vor allem Precision, Recall und der F-Score, die differenzierter zeigen, wie das Modell mit der seltenen Klasse umgeht. Außerdem solltest du Accuracy immer auf einem separaten Validierungsdatensatz berechnen – nicht auf den Trainingsdaten. Hohe Accuracy auf Trainingsdaten kann auf Overfitting hindeuten, also darauf, dass das Modell auswendig gelernt hat statt echte Muster zu erkennen.

Häufige Fragen

Ab welchem Accuracy-Wert ist ein Modell gut?

Das hängt vollständig vom Anwendungsfall ab. In der medizinischen Diagnostik sind 99 % möglicherweise noch zu wenig, während 80 % bei einem komplexen Mehrklassen-Problem bereits ein sehr solides Ergebnis darstellen. Entscheidend ist immer der Vergleich mit einer sinnvollen Baseline.

Was ist der Unterschied zwischen Accuracy und Precision?

Accuracy bewertet alle Vorhersagen zusammen. Precision hingegen fokussiert nur auf die als positiv eingestuften Fälle und misst, wie viele davon tatsächlich positiv sind. Bei unbalancierten Daten ist Precision oft der aussagekräftigere Wert.

Kann Accuracy auch bei einfachen Modellen sinnvoll sein?

Ja. Gerade bei binären Klassifikationen mit ausgewogenen Klassen – wie der Erkennung von defekten vs. intakten Produkten – ist Accuracy eine praktische und verlässliche Kennzahl, die ohne großen Aufwand interpretiert werden kann.

Fazit

Accuracy ist ein wichtiger erster Anhaltspunkt bei der Bewertung von Klassifikationsmodellen – verständlich, schnell berechnet und gut kommunizierbar. Für belastbare Entscheidungen im Unternehmenskontext reicht sie allein jedoch selten aus. Wer KI-Modelle ernsthaft einsetzen will, sollte Accuracy immer im Verbund mit weiteren Metriken betrachten und dabei den eigenen Anwendungsfall – insbesondere die Verteilung der Klassen – im Blick behalten.