Glossar

Entscheidungsbaum

Was ist Entscheidungsbaum?

Ein Entscheidungsbaum ist ein Modell, das eine Entscheidung als Folge einfacher Ja-/Nein-Fragen darstellt: Jede Verzweigung prüft ein Merkmal, jedes Blatt liefert ein Ergebnis. Im maschinellen Lernen werden solche Bäume automatisch aus Daten gelernt und für Klassifikation oder Prognosen genutzt. Ihr Vorteil ist die Nachvollziehbarkeit – etwa bei der Frage, ob ein Kreditantrag anhand von Einkommen, Laufzeit und Vorgeschichte geprüft werden sollte.

So hilft KI.ordo

In KI.ordo-Abläufen lassen sich einfache Entscheidungswege mit den Bausteinen „Bedingung“ (ja/nein) und „KI-Entscheider“ (bis zu 8 Kategorien) abbilden.

Mehr erfahren →

Themen

Maschinelles Lernen
Klassifikation
Nachvollziehbarkeit

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Random Forest Regression

Random Forest Regression sagt Zahlenwerte voraus, indem sie viele Entscheidungsbäume kombiniert. Jeder Baum wird auf einer zufälligen Stichprobe der Daten und mit einer zufälligen Auswahl von Merkmalen trainiert; das Ergebnis ist der Durchschnitt aller Baumvorhersagen. Dadurch ist das Verfahren robuster und weniger anfällig für Überanpassung als ein einzelner Baum. Eingesetzt wird es etwa für Absatzprognosen, Preisschätzungen oder Energiebedarf – oft als solider Ausgangspunkt bei tabellarischen Daten.

Regression
Ensemble-Methode
+1

Gradient Boosting

Gradient Boosting ist ein Verfahren des maschinellen Lernens, das viele einfache Modelle – meist kleine Entscheidungsbäume – nacheinander kombiniert. Jeder neue Baum wird gezielt darauf trainiert, die verbleibenden Fehler der bisherigen zu verringern. So entstehen sehr treffsichere Modelle für Tabellendaten, etwa für Kreditrisiko, Absatzprognosen oder Kündigungswahrscheinlichkeiten. Bekannte Umsetzungen sind XGBoost, LightGBM und CatBoost; wichtig ist eine sorgfältige Einstellung, um Überanpassung zu vermeiden.

Maschinelles Lernen
Ensemble-Methode
+1

Klassifizierer

Ein Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.

Klassifikation
Maschinelles Lernen
+1

Vorlage

Heuristiken

Heuristiken sind Faustregeln oder vereinfachte Lösungsstrategien, die in vertretbarer Zeit zu einer guten, wenn auch nicht garantiert optimalen Lösung führen. In der Informatik und KI helfen sie, riesige Suchräume einzugrenzen – etwa bei der Routenplanung, wo die Luftlinie zum Ziel als Schätzung dient, oder beim Schach, wo Stellungen bewertet werden. Auch im Alltag und in Unternehmensentscheidungen nutzen Menschen Heuristiken, mit dem Risiko systematischer Denkfehler.

Problemlösung
Algorithmen
+1