# Dataset Evaluation Metrics

Dataset Evaluation Metrics bieten eine prinzipiengeleitete Methode, um zu beurteilen, ob ein Dataset für eine bestimmte Machine Learning- oder Data Science-Aufgabe geeignet ist. Sie umfassen (a) deskriptive Statistiken zur Zusammenfassung von Verteilungen, zentraler Tendenz und Streuung; (b) Data Quality Metrics, die Genauigkeit, Vollständigkeit und Konsistenz bewerten; (c) Dataset Complexity Metrics, die den Umfang und die Struktur der Daten beschreiben; und (d) Class Balance Metrics, die die Verteilung über Ziel-Labels aufzeigen. Moderne Praxis erfordert auch explizite Aufmerksamkeit für Bias und Fairness, Data Leakage Risiko, Datenschutzaspekte und aufgabenorientierte Evaluierung. Dieser Eintrag erweitert traditionelle Kategorien um verbesserte deskriptive Statistiken (einschließlich Skewness, Kurtosis, Range und Interquartile Range), explizite Behandlung von Missing Values und Outliers sowie praktische Anleitung zur Berichterstattung von Schwellenwerten und Interpretation. Er klärt auch Terminologieentscheidungen (metrics vs measures) und hebt potenzielle konzeptionelle Lücken hervor, wie Bias, Repräsentativität und Leakage, die die nachgelagerte Leistung untergraben können, wenn sie ignoriert werden. Die vier Kernkategorien werden im Folgenden eingehend beschrieben, gefolgt von Richtlinien für Berichterstattung, Replikation und Interpretation sowie einem prägnanten Glossar verwandter Begriffe.