Accuracy ist der Anteil korrekter Vorhersagen. Klingt gut, ist aber oft irreführend. Bei unbalancierten Datensätzen komplett nutzlos. Neunzig Prozent deiner Daten sind Klasse A? Ein Modell, das immer A vorhersagt, hat neunzig Prozent Accuracy und ist trotzdem Müll. Precision beantwortet: Von allen positiven Vorhersagen, wie viele waren richtig? Wichtig, wenn falsche Positive teuer sind. Spam-Filter: Lieber ein Spam durchlassen als wichtige Mails blockieren. Recall beantwortet: Von allen echten Positiven, wie viele haben wir gefunden? Wichtig bei Krankheitserkennung. Lieber zehn Fehlalarme als einen kranken Patienten übersehen. F1-Score kombiniert Precision und Recall zum harmonischen Mittel. Gut für einen Gesamteindruck, aber versteckt auch Details. Manchmal willst du die Balance explizit steuern. Confusion Matrix zeigt alle vier Möglichkeiten: True Positives, False Positives, True Negatives, False Negatives. Auf einen Blick siehst du, wo dein Modell Probleme hat. ROC-AUC misst, wie gut dein Modell über verschiedene Schwellwerte hinweg trennen kann. Wert von null Komma fünf ist Zufall, eins ist perfekt. Für Regression nutzt du MSE, MAE oder R-squared. Jede Metrik betont andere Aspekte. MSE bestraft große Fehler stärker, MAE ist robuster gegen Ausreißer.