https://www.faz.net/-gqe-9o2i7

Maschinelles Lernen : Korrelationen müssen auch kausal sein

  • -Aktualisiert am

Große Datenmengen sind nicht per se von Wert. Im intelligenten Umgang mit Daten ist die sogenannte kausale Inferenz von großer Bedeutung. Bild: Peter von Tresckow

Große Datenmengen sind nicht per se von Wert. Nur die richtige Analyse von Daten und das Ziehen der richtigen Schlussfolgerungen machen Daten wertvoll.

          6 Min.

          Bei der Datenanalyse geht es in der Regel darum, entweder Vorhersagen zu treffen oder kausale Schlussfolgerungen zu ziehen. Bei der Vorhersage verwenden Algorithmen des maschinellen Lernens Eingabedaten, um Parameter oder Modelle zu schätzen, die für Vorhersagen neuer Beobachtungen beziehungsweise Daten verwendet werden können. Typische Prognoseaufgaben in Geschäftsanwendungen sind die Vorhersage finanzieller Größen im Finanzwesen (Wie hoch ist die Wahrscheinlichkeit, dass ein bestimmtes Unternehmen im nächsten Jahr Insolvenz anmelden muss?), die Risikoklassifizierung oder Risikobewertung in Versicherungen oder Nachfrageschätzung im Marketing (Wie hoch ist die Wahrscheinlichkeit, dass ein Konsument ein neues Produkt kauft?).

          Methoden des maschinellen Lernens, wie Lasso, Boosting, Random Forest, Neuronale Netze und Deep Learning oder Ensemble Methoden, haben sich als sehr leistungsfähig für voraussagende Aufgaben erwiesen. Großbanken wie JP Morgan oder die Chinese Construction Bank verwenden diese Methoden zur Beurteilung der Bonität von Kreditnehmern (Credit Scoring). Unternehmen wie Google und Amazon wenden diese im Marketing an.

          Testen Sie unsere Angebote.
          Jetzt weiterlesen

          Testen Sie unsere Angebote.
          F.A.Z. PLUS:

          FAZ.NET komplett

          : 65% günstiger

          F.A.Z. Woche digital

          F.A.Z. digital – Jubiläumsangebot

          Diese und viele weitere Artikel lesen Sie mit F+