Aufgeräumtes Modellieren mit R

Kapitel 18. Modelle und Vorhersagen erklären

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 1 haben wir eine Taxonomie der Modelle skizziert und darauf hingewiesen, dass Modelle in der Regel als eines oder mehrere beschreibende, schlussfolgernde oder prädiktive Modelle erstellt werden. Wir haben darauf hingewiesen, dass die Modellleistung, die anhand geeigneter Kennzahlen gemessen wird (z. B. RMSE bei der Regression oder Fläche unter der ROC-Kurve bei der Klassifizierung), für alle Modellierungsanwendungen wichtig sein kann. Ebenso wichtig sind die Erklärungen, warum ein Modell die Vorhersagen macht, die es macht, unabhängig davon, ob dein Modell hauptsächlich der Beschreibung dient, eine Hypothese testet oder eine Vorhersage macht. Die Beantwortung der Frage "Warum?" ermöglicht es den Modellierern zu verstehen, welche Merkmale für die Vorhersagen wichtig waren und wie sich die Modellvorhersagen bei unterschiedlichen Werten für die Merkmale ändern würden. In diesem Kapitel erfährst du, wie du ein Modell fragen kannst, warum es die Vorhersagen macht, die es macht.

Bei einigen Modellen, wie z. B. der linearen Regression, ist in der Regel klar, wie man erklären kann, warum das Modell seine Vorhersagen trifft. Die Struktur eines linearen Modells enthält Koeffizienten für jeden Prädiktor, die normalerweise einfach zu interpretieren sind. Bei anderen Modellen, wie z. B. Zufallswäldern, ...