Glossar

Random Forest Regression

Was ist 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.

Themen

Regression
Ensemble-Methode
Entscheidungsbäume

KI.ordo ausprobieren

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

Demo starten

← Alle Begriffe

Verwandte Begriffe

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.

Maschinelles Lernen
Klassifikation
+1

Bagging

Bagging (kurz für Bootstrap Aggregating) ist ein Ensemble-Verfahren im maschinellen Lernen: Viele Modelle werden auf jeweils zufällig gezogenen Stichproben der Trainingsdaten trainiert, und ihre Vorhersagen werden gemittelt oder per Mehrheit kombiniert. Das macht Ergebnisse stabiler und verringert Überanpassung. Das bekannteste Beispiel ist der Random Forest, der viele Entscheidungsbäume bündelt – etwa zur Prognose von Kündigungen oder Preisen.

Ensemble-Methoden
Maschinelles Lernen
+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

Lineare Regression

Die 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.

Statistik
Prognose
+1