Precision en recall

Wat zijn precision en recall?

Precision en recall zijn metrics om classificatiemodellen te beoordelen. Ze zijn vooral nuttig wanneer de positieve klasse belangrijk of zeldzaam is, zoals fraude, churn, defecten of ziektegevallen.

Precision beantwoordt de vraag: van alles wat het model positief voorspelt, hoeveel klopt echt?

Recall beantwoordt de vraag: van alle echte positieve gevallen, hoeveel heeft het model gevonden?

De ene metric gaat dus over de kwaliteit van alarmen. De andere gaat over hoeveel echte gevallen je mist.

Hoe bereken je precision en recall?

Beide metrics komen uit de confusion matrix.

• Precision. True positives gedeeld door true positives plus false positives.

• Recall. True positives gedeeld door true positives plus false negatives.

In formulevorm:

precision = TP / (TP + FP)
recall    = TP / (TP + FN)

Bij fraude betekent hoge precision dat de meeste fraude-alarmen echt fraude zijn. Hoge recall betekent dat je weinig echte fraudegevallen mist.

Wanneer gebruik je precision?

Precision is belangrijk wanneer false positives duur of storend zijn. Denk aan een salesteam dat leads opvolgt. Als het model te veel slechte leads als interessant markeert, verspilt het team tijd.

Ook bij automatische blokkeringen telt precision zwaar. Een goede klant onterecht blokkeren kan schadelijker zijn dan een twijfelgeval doorlaten voor manuele review.

Wanneer gebruik je recall?

Recall is belangrijk wanneer missen duur is. Bij fraude, veiligheidsmeldingen of defectdetectie wil je zoveel mogelijk echte gevallen vinden.

Hoge recall betekent meestal dat je de drempel lager zet. Je vindt meer echte positives, maar krijgt vaak ook meer false positives. Daarom bespreek je recall nooit los van precision.

Precision versus recall

Precision en recall trekken vaak aan elkaar. Maak je een model strenger, dan stijgt precision meestal: alleen de duidelijkste gevallen worden positief. Maar je mist meer echte gevallen, dus recall daalt.

Maak je een model gevoeliger, dan stijgt recall: je vangt meer echte gevallen. Maar je krijgt ook meer valse alarmen, dus precision kan dalen.

De juiste keuze is een businesskeuze. Bij churn wil je misschien liever te veel klanten benaderen dan vertrekkende klanten missen. Bij automatische afwijzing van krediet wil je valse positives veel strenger vermijden.

Waar moet je op letten bij precision en recall

• Definieer positief duidelijk. Zonder duidelijke positieve klasse lees je de metrics verkeerd.

• Kijk naar aantallen, niet alleen percentages. 90 procent recall klinkt goed, maar bij kleine aantallen kan één fout veel verschil maken.

• Bespreek de kosten van fouten. False positives en false negatives hebben andere gevolgen.

• Meet op representatieve testdata. Metrics op kunstmatig gebalanceerde data kunnen in productie anders uitpakken.

FAQ over precision en recall

1. Is hoge precision altijd goed?
Alleen als je ook genoeg echte gevallen vindt. Een model dat bijna nooit positief voorspelt, kan hoge precision hebben maar lage recall.

2. Is recall hetzelfde als sensitiviteit?
Ja, in veel contexten wordt recall ook sensitiviteit of true positive rate genoemd.

3. Wanneer gebruik ik F1-score?
Wanneer je precision en recall in één cijfer wil samenvatten. Dat cijfer verbergt wel de businessafweging, dus bekijk de losse metrics altijd mee.