Der mittlere absolute Fehler (Mean Absolute Error, MAE) gibt an, wie weit die Vorhersagen eines Modells im Durchschnitt von den tatsächlichen Werten abweichen, unabhängig von der Richtung. Er wird in der Einheit der Zielgröße angegeben und ist daher leicht verständlich. Beispiel: Ein MAE von 12 bei einer Tagesabsatzprognose bedeutet, dass das Modell im Mittel um 12 Stück danebenliegt. Ausreißer gewichtet er weniger stark als der quadratische Fehler.
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.
Der Generalisierungsfehler misst, wie stark ein KI-Modell bei neuen, bisher ungesehenen Daten danebenliegt – im Unterschied zum Fehler auf den Trainingsdaten. Ein großer Abstand zwischen beiden deutet auf Überanpassung hin: Das Modell hat Beispiele auswendig gelernt statt allgemeine Muster. Geschätzt wird der Generalisierungsfehler mit zurückgehaltenen Testdaten oder Kreuzvalidierung. Er ist die eigentlich entscheidende Größe, denn im Einsatz begegnen dem Modell fast nur neue Fälle.
Kreuzvalidierung ist ein Verfahren, um zu prüfen, wie gut ein Modell auf neue, unbekannte Daten verallgemeinert. Bei der k-fachen Kreuzvalidierung werden die Daten in k Teile geteilt; das Modell wird k-mal auf k−1 Teilen trainiert und auf dem jeweils verbleibenden Teil getestet, anschließend werden die Ergebnisse gemittelt. So lassen sich Überanpassung erkennen und Modelle oder Einstellungen fair vergleichen, besonders wenn nur wenige Daten vorliegen.
Prädiktive Modellierung ist der technische Kern der prädiktiven Analytik: Aus Beispieldaten mit bekanntem Ergebnis wird ein Modell gebaut, das für neue Fälle einen Wert oder eine Klasse vorhersagt. Typische Verfahren sind Regression, Entscheidungsbäume, Random Forests oder neuronale Netze. Ein Modell kann etwa aus Wohnfläche, Lage und Baujahr einen Immobilienpreis schätzen. Vor dem Einsatz wird es an zurückgehaltenen Daten geprüft, um Überanpassung zu erkennen.
