Was bedeutet Accuracy bei KI-Modellen?

Accuracy, auf Deutsch Genauigkeit, ist eine Bewertungsmetrik für KI-Klassifikationsmodelle. Sie gibt an, wie viele Vorhersagen das Modell insgesamt richtig getroffen hat, im Verhältnis zur Gesamtzahl aller Vorhersagen. Ein Modell mit 90% Accuracy hat also 9 von 10 Datenpunkten korrekt klassifiziert.

Die Formel ist einfach: Anzahl richtiger Vorhersagen geteilt durch Gesamtzahl aller Vorhersagen.

Wann ist Accuracy aussagekräftig – und wann nicht?

Hier liegt ein häufiger Irrtum. Accuracy klingt simpel, kann aber täuschen. Ein klassisches Beispiel: Du hast ein Modell, das erkennen soll, ob eine E-Mail Spam ist. 95% deiner E-Mails sind kein Spam. Ein Modell, das immer “kein Spam” sagt, ohne irgendetwas zu analysieren, erreicht 95% Accuracy. Das ist offensichtlich nutzlos.

Das Problem heißt “unbalanciertes Dataset”. Wenn eine Klasse viel häufiger vorkommt als die andere, spiegelt Accuracy nicht wider, wie gut das Modell wirklich ist. In solchen Fällen braucht man zusätzliche Metriken wie Precision, Recall und den F-Score.

Bei ausgeglichenen Datensätzen, also wenn alle Klassen etwa gleich häufig vorkommen, ist Accuracy eine nützliche erste Orientierung. Bei medizinischen Diagnosemodellen, Betrugserkennung oder anderen Szenarien, bei denen Fehler in eine Richtung viel schlimmer sind als in die andere, reicht sie nicht aus.

Warum ist das für die Praxis wichtig?

Wenn du KI-Systeme kaufst, evaluierst oder in Auftrag gibst, solltest du nicht nur nach der Accuracy fragen. Frage, auf welchem Datensatz gemessen wurde, wie die Klassenverteilung aussieht, und welche anderen Metriken genutzt wurden. Anbieter, die ausschließlich mit Accuracy-Zahlen werben, liefern möglicherweise ein unvollständiges Bild.

Bei der Auswahl und Implementierung von KI-Systemen achten wir darauf, Modelle mit den Metriken zu bewerten, die für den jeweiligen Anwendungsfall wirklich aussagekräftig sind.