From 96a9f2e550c7931fde95b65842510c4eaf8bf40e Mon Sep 17 00:00:00 2001
From: aaron <aaron@0x29a.ch>
Date: Thu, 30 Apr 2026 10:59:51 +0200
Subject: [PATCH] feature(notizen): add notes from l2 morning

---
 ML/notizen/L2_Notizen.md | 34 +++++++++++++++++++++++++++++-----
 1 file changed, 29 insertions(+), 5 deletions(-)

diff --git a/ML/notizen/L2_Notizen.md b/ML/notizen/L2_Notizen.md
index e848a23..37c3951 100644
--- a/ML/notizen/L2_Notizen.md
+++ b/ML/notizen/L2_Notizen.md
@@ -126,13 +126,37 @@ Bewertung:
         - Bsp. Welche Seiten die der Mensch (Gold Standard) als relevant klassifiziert hat, werden tatsächlich angezeigt?
             - Perfekt wenn all relevanten Seiten angezeigt wurden
             - Schlecht wenn keine relevanten Seiten gefunden wurden
+- Erweiterte Metrik: Confusion Matrix
 
 
+- Precision vs Recall
+    - There is often a trafe-off between Precision and Recall
+    - improving the algorithm towards one weakens the other
+        - Will ich das Modell in richtung Precision verbessern, wird der Recall schlechter und umgekehrt
+        - Entweder das eine oder andere kann optimiert werden
+        - Bspw. Suchmaschine: Einfach alles anzeigen, dann gibts keine False Negatives weil das Gesuchte immer gefunden wird
+            - Die Precision wird dabei aber sehr sehr schlecht, weil ganz viele False Positives dabei sind
+            - 100% Recall 0% Precision
+        - Oft muss ein Kompromiss getroffen werden zwischen Precision und Recall
+            - Die Entscheidung was optimiert werden soll, muss vom Entwicklungsteam getroffen werden
+        - Precision-oriented users
+            - Web Surfers
+        - Recall-oriented users
+            - Professional searches, legal, etc
+
+- Dafür gibt es aber folgendes Hilfsmittel: **F-measure**
+    - Das gewichtete, harmonische Mittel zwischen Precision und Recall
+        - Formel: Skript Seite 7
+        - F = 1/( alpha* 1/P + [1-alpha] * 1/R) = (beta^2 + 1)PR / (beta^2P+R) = beta^2 = 1 - alpha / alpha
+    - Ist parametrisierbar
+        - Beta < emphasize precision
+        - Beta > emphasize recall
 
 
+### Other metrics 
 
-
-
-
-
-
+- the generalization of our binary classifier result matrix (classification result vs. gold standard) is called a confusion matrix
+    - many different metrics can be derived from this 
+        - https.//en.wikipedia.org/wiki/Confusion_matrix
+    - other widely used metrics include ROC, K-S, gail/lift, ...
+- for specific ML problems and algorithms many additional metrics exists