Testergebnisse mit Volltexten

Hinweise zu den Metriken

Precision misst, wie genau die positiven Vorhersagen des Modells sind. Ein Wert von 0.85 bedeutet, dass 85% der als positiv vorhergesagten Fälle tatsächlich korrekt waren, während 15% falsch positive Vorhersagen waren.
F1 Score ist das harmonische Mittel von Precision und Recall und gibt ein ausgewogenes Maß der Modellleistung. Ein F1 Score von 0.75 zeigt, dass das Modell eine gute Balance zwischen Genauigkeit (Precision) und Vollständigkeit (Recall) der Vorhersagen findet.
Mean Absolute Error (MAE)

...

Durchschnittlicher absoluter gibt den durchschnittlichen absoluten Unterschied zwischen den vorhergesagten und den tatsächlichen Werten .Interpretation: Je niedriger der MAE, desto genauer sind die Vorhersagen des Modellsan. Ein MAE von 2.3 zeigt, dass die Vorhersagen im Durchschnitt um 2.3 Einheiten (z. B. Punkte) vom tatsächlichen Wert abweichen.
Mean Squared Error (MSE)

...

misst den Durchschnitt der quadrierten Differenzen zwischen den vorhergesagten und den tatsächlichen Werten.Interpretation: Betont größere Fehler stärker. Ein Fehler. Ein Wert von 10 bedeutet, dass größere Fehler stärker betont werden, und ein niedriger MSE zeigt eine gute Modellleistung an.
Root Mean Squared Error (RMSE)

...

ist die Quadratwurzel des MSE .Interpretation: Gibt und gibt den Fehler in derselben Einheit wie die Zielvariable an. Niedrigere Werte sind besserEin RMSE von 3.2 zeigt, dass der durchschnittliche Fehler bei etwa 3.2 Einheiten (z. B. Punkten) liegt.
R² Score

...

Maß dafür misst, wie gut die Varianz der Zielvariable durch das Modell erklärt wird. Interpretation: Werte nahe 1 bedeutenEin R² von 0.92 bedeutet, dass das Modell die Varianz gut erklärt92% der Varianz erklären kann, was auf eine gute Passung hinweist.
Pearson-Korrelation

...

Maß für misst die lineare Korrelation Beziehung zwischen den vorhergesagten und den tatsächlichen Werten.
Interpretation: Werte nahe 1 oder -1 zeigen eine starke lineare Beziehung. Werte nahe 0 bedeuten keine lineare Beziehung.

Precision:

Maß für die Genauigkeit der positiven Vorhersagen.
Interpretation: Ein höherer Precision-Wert zeigt, dass weniger falsche positive Vorhersagen gemacht werden.

F1 Score:

Harmonisches Mittel von Precision und Recall.
Interpretation: Ein ausgewogenes Maß, das sowohl die Genauigkeit als auch die Vollständigkeit der Vorhersagen berücksichtigt.

Abweichung:

Differenz Ein Wert von 0.88 zeigt eine starke positive lineare Korrelation, d. h., die Vorhersagen folgen den tatsächlichen Werten sehr gut.
Durchschnittliche Abweichung zeigt den durchschnittlichen Unterschied zwischen den AI-bewerteten und den Originalwerten .Interpretation: Niedrigere Abweichungswerte deuten auf eine höhere Übereinstimmung zwischen AI und Originalbewertungen hinan. Eine Abweichung von 1.1 bedeutet, dass die KI-Bewertungen im Durchschnitt um 1.1 Einheiten vom tatsächlichen Wert abweichen, was auf eine hohe Übereinstimmung hindeutet.

...