Modellgüte

Modellgüte, auch Güte eines Modells genannt, bezeichnet die Fähigkeit eines statistischen oder maschinellen Lernmodells, die zugrunde liegende Struktur der Daten abzubilden und verlässliche Vorhersagen bzw. Inferenz zu liefern. Sie umfasst sowohl die Passung an die beobachteten Daten (Anpassungsgüte) als auch die Generalisierung auf neue, unbekannte Daten (Generalisierungsgüte).

Typische Maße der Anpassungsgüte sind R^2, Wurzel- oder mittlere quadratische Abweichung RMSE bzw. MAE; informationstheoretische Kriterien wie AIC oder BIC; bei Vorhersageaufgaben auch Cross-Validation-Fehler. Für Klassifikation spielen ROC-AUC, F1-Score, Precision und Recall eine Rolle. Je nach Ziel kann auch die Kalibrierung der Wahrscheinlichkeiten eine Rolle haben.

Die Beurteilung der Modellgüte umfasst Residuenanalyse, Prüfung von Annahmen (Normalität, Homoskedastizität, Unabhängigkeit), sowie Validierungsmethoden wie Train-Test-Split, k-fache Kreuzvalidierung oder Bootstrapping. Einzentrales Spannungsverhältnis besteht zwischen Modellkomplexität und Überanpassung (Overfitting) versus Unteranpassung (Underfitting).

Die Modellgüte wird von Datenqualität, Messfehlern, gewähltem Modelltyp (parametrisch vs. nicht-parametrisch), Annahmen und Regularisierung beeinflusst. Höhere Komplexität kann die Anpassung verbessern, oft aber zu geringerer Generalisierung. Interpretierbarkeit und Rechenaufwand sind ebenfalls Teil der Gütebewertung.

In der Praxis ist Modellgüte kontextabhängig: Je nach Fragestellung kann Vorhersagegenauigkeit wichtiger sein als Transparenz, oder umgekehrt. Da kein einzelnes Maß alle Aspekte erfassen kann, wird Güte oft durch mehrere Kennzahlen und Robustheitstests beschrieben.