Die logistische Regression ist ein statistisches Verfahren, das die Wahrscheinlichkeit für eines von zwei Ergebnissen vorhersagt, etwa „kauft“ oder „kauft nicht“. Sie gewichtet Eingangsmerkmale und wandelt die Summe über eine S-förmige Funktion in einen Wert zwischen 0 und 1 um. Weil die Gewichte gut interpretierbar sind, wird sie häufig in Kreditprüfung, Medizin und Marketing eingesetzt, oft als solide Vergleichsbasis für komplexere Modelle.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDie lineare Regression ist ein statistisches Verfahren, das den Zusammenhang zwischen einer Zielgröße und einer oder mehreren Einflussgrößen durch eine Gerade bzw. Ebene beschreibt. Die Koeffizienten werden meist so bestimmt, dass die Summe der quadrierten Abweichungen minimal wird. Das Verfahren ist leicht verständlich und gut interpretierbar: So lässt sich etwa abschätzen, um wie viel der Umsatz steigt, wenn das Werbebudget um 1.000 Euro erhöht wird. Bei nichtlinearen Zusammenhängen stößt es an Grenzen.
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.
Log Loss (logarithmischer Verlust) misst, wie gut die vorhergesagten Wahrscheinlichkeiten eines Klassifikationsmodells zu den tatsächlichen Ergebnissen passen. Sichere, aber falsche Vorhersagen werden besonders stark bestraft; ein Wert nahe null bedeutet gut kalibrierte Prognosen. Beispiel: Schätzt ein Modell 95 % Kündigungswahrscheinlichkeit für einen Kunden, der bleibt, steigt der Log Loss deutlich. Mathematisch entspricht er der binären Kreuzentropie.
Naive Bayes ist eine Familie einfacher Klassifikationsverfahren, die auf dem Satz von Bayes beruhen. „Naiv“ heißen sie, weil sie annehmen, dass alle Merkmale unabhängig voneinander sind, was in der Praxis selten zutrifft, aber oft trotzdem gute Ergebnisse liefert. Die Verfahren sind schnell, brauchen wenig Trainingsdaten und eignen sich besonders für Texte. Klassisches Beispiel ist der Spamfilter, der anhand typischer Wörter E-Mails einordnet.
