Interpretation der Ergebnisse
Unsere Algorithmen ermöglichen es uns nicht nur, das Zugehörigkeitsgefühl einer Person zu einer Gruppe (Unternehmen oder Position) zu würdigen, sondern auch, die Gruppe selbst zu analysieren. Tatsächlich können wir die Struktur der psychometrischen Daten, die eine Gruppe von Einzelpersonen definiert, analysieren, d. h. die psychologischen Eigenschaften, die diese Gruppe definieren.
Das Diagramm unten entspricht einem Algorithmus mit einem hohen Zuverlässigkeitsgrad und zeigt ein sehr gutes Vorhersageergebnis und die zugehörige Fläche unter der ROC-Kurve (AUC).
Die Fläche unter der ROC-Kurve repräsentiert die Fähigkeit unseres Algorithmus, zwischen Personen zu unterscheiden, die zu einer bestimmten Gruppe gehören oder nicht. Eine Fläche von 50 bedeutet, dass unser Algorithmus Vorhersagen nicht besser als nach dem Zufallsprinzip machen kann. Auf der anderen Seite bedeutet eine Fläche von 100 eine perfekte Vorhersage: keine falschpositiven Ergebnisse (etwas scheint positiv zu sein, ist aber tatsächlich negativ) und keine falschnegativen Ergebnisse (etwas scheint negativ, aber ist tatsächlich positiv). Die Fläche unter der ROC-Kurve kann nie weniger als 50 sein.
Eine Genauigkeit von 95 % bedeutet hier, dass der Algorithmus in der Lage ist, Angehörige einer Referenzgruppe (beispielsweise ein Unternehmen) innerhalb von neuen Daten in 95 % der Fälle zu erkennen.
Das Diagramm unten entspricht einem Algorithmus mit schlechter Leistung - es ist schwierig, die konstanten Verhaltensweisen zu identifizieren. Ein zufälliger Kandidat wird nicht deutlich von einem Kandidaten, der zur Referenzgruppe gehört, unterschieden.
