Vorhersagegüte

Vorhersagegüte bezeichnet die Qualität von Prognosen, also wie genau, zuverlässig und nützlich Vorhersagen im jeweiligen Anwendungszusammenhang sind. Sie umfasst Aspekte wie Genauigkeit, Kalibrierung, Robustheit und Nützlichkeit der Prognose für Entscheidungsträger.

Die Beurteilung hängt von der Art der Vorhersage ab. Punktvorhersagen liefern konkrete Werte, probabilistische Vorhersagen geben Wahrscheinlichkeiten oder Verteilungen an. Je nach Ziel werden unterschiedliche Kennzahlen herangezogen, etwa RMSE, MAE oder R² bei Regression; Brier-Score, CRPS oder Log-Likelihood bei probabilistischen Vorhersagen; ROC-AUC, Genauigkeit oder Präzision/Recall bei Klassifikationen. Kalibrierung beurteilt, inwieweit vorhergesagte Wahrscheinlichkeiten mit tatsächlichen Häufigkeiten übereinstimmen.

Validierung ist zentral für die Bestimmung der Vorhersagegüte. Typische Methoden umfassen Train-Test-Split, Cross-Validation und Backtesting, insbesondere bei Zeitreihen. Wichtige Praxisaspekte sind das Verhindern von Datenleckagen, das Berücksichtigen von Drift sowie die Robustheit gegenüber Ausreißern.

Faktoren, die die Güte beeinflussen, reichen von Datenqualität, Repräsentativität und Messfehlern über Modellannahmen und Komplexität bis hin zu Overfitting und der Fähigkeit des Modells, sich an neue Daten anzupassen. Die Vorhersagegüte ist kontextabhängig: Welche Metrik sinnvoll ist, hängt von dem definieren Ziel ab, etwa Kostenminimierung, Risikoschutz oder Entscheidungsunterstützung.

In der Praxis dient die Vorhersagegüte dem Modellvergleich, der Qualitätskontrolle von Prognosen und der fundierten Entscheidungsfindung in Wissenschaft, Wirtschaft und öffentlichen Diensten.