Startseite
Podcasts
Data Science Deep Dive Podcast
#83: Wie gut ist gut genug? Modellgütemaße richtig verstehen

#83: Wie gut ist gut genug? Modellgütemaße richtig verstehen

Data Science Deep Dive vor 11 Monaten

0:00

33:45

In dieser Folge sprechen Mira und Amit über Modellgütemaße für
kontinuierliche Zielvariablen – also darüber, wie man die
Qualität von Vorhersagen richtig bewertet. Von MAE und RMSE bis
hin zu R² und AIC/BIC: Wir erklären, was die einzelnen Kennzahlen
aussagen, wo ihre Grenzen liegen und welche typischen Fallen es
gibt. Außerdem geht's um Bias, Robustheit und warum der Kontext
entscheidend ist. Und natürlich um die Frage: Welches Gütemaß
passt eigentlich zu meinem Modell?

**Zusammenfassung**

Überblick über Gütemaße für kontinuierliche Zielgrößen

Bias, MAE, MAPE, sMAPE, MSE, RMSE, R², AIC/BIC im Vergleich

Vor- und Nachteile der einzelnen Metriken

Typische Fallstricke: Ausreißer, kleine Werte, verzerrte
Interpretation

Tipps zur Auswahl des passenden Gütemaßes für den Use Case

Bedeutung von Repräsentativität, Validierung und Gewichtung

Fazit: Kombination mehrerer Gütemaße ist meist die beste Wahl

**Links**

Blogserie zum Bestimmtheitsmaß (R²):
https://www.inwt-statistics.de/blog/bestimmtheitsmass_r2-teil1

#26: A/B-Testing: Erkenntnisse statt Bauchgefühl
https://www.podbean.com/ew/pb-6fzpj-143cfb1

#43: Damit es im Live-Betrieb nicht kracht: Vermeidung von
Overfitting & Data Leakage
https://www.podbean.com/ew/pb-vw736-15baac0