Klassisches maschinelles Lernen

Maschinelles Lernen ist ein aus der Informatik stammender Zweig der Datenanalyse, in dem es primär um die Konstruktion möglichst guter Prognosemaschinen geht, d. h. Modelle, die für neue Daten die Zielvariable so genau wie möglich vorhersagen. In diesem Kapitel werden zwei wichtige Modellklassen aus dem Kanon des klassischen maschinellen Lernens vorgestellt: Entscheidungsbäume und Support Vector Machines. Darauf aufbauend werden auch die Ensemble-Methoden Bagging, Random Forest und Boosting präsentiert, die höhere Leistungsfähigkeit durch geeignete Kombination von Einzelmodellen erreichen. Abgeschlossen wird das Kapitel mit einem Vergleich der Methoden auf Echtdaten zu Regression und Klassifikation.