Baummodelle — Schwellen und Wechselwirkungen
Die Regression beantwortet genau eine Frage: Wie stark ändert sich die Zielgröße je Einheit einer Einflussgröße? Zwei in der Fertigung sehr häufige Muster entgehen ihr — eine Wirkung, die erst oberhalb einer Schwelle einsetzt (bis 700 °C harmlos, darüber ruinös), und eine Wirkung, die nur auftritt, wenn zwei Größen gleichzeitig hoch sind.
Ein Baum sucht stattdessen Trennpunkte und findet beides. Ein einzelner Baum ist lesbar, lernt seine Daten aber auswendig; ein Random Forest mittelt Hunderte Bäume und verallgemeinert weit besser — dafür lässt er sich nicht zeichnen.
Die Wichtigkeit wird hier per Permutation auf nie gesehenen Zeilen gemessen: eine Variable wird durchmischt, und man beobachtet den Abfall des Kennwerts. Das vermeidet die Verzerrung der impurity-basierten Wichtigkeit, die Spalten mit vielen verschiedenen Werten bevorzugt. Wichtigkeit bleibt trotzdem keine Kausalität: zwei Kopien derselben Messung teilen sich die Wirkung und können beide unwichtig aussehen.
Ein Baum sucht stattdessen Trennpunkte und findet beides. Ein einzelner Baum ist lesbar, lernt seine Daten aber auswendig; ein Random Forest mittelt Hunderte Bäume und verallgemeinert weit besser — dafür lässt er sich nicht zeichnen.
Die Wichtigkeit wird hier per Permutation auf nie gesehenen Zeilen gemessen: eine Variable wird durchmischt, und man beobachtet den Abfall des Kennwerts. Das vermeidet die Verzerrung der impurity-basierten Wichtigkeit, die Spalten mit vielen verschiedenen Werten bevorzugt. Wichtigkeit bleibt trotzdem keine Kausalität: zwei Kopien derselben Messung teilen sich die Wirkung und können beide unwichtig aussehen.
In der App ausprobieren
Versuchen Sie: Reiter Baummodelle → Beispiel laden → Modell anpassen. Vergleichen Sie den Kennwert der ungesehenen Daten mit dem Trainingskennwert und wechseln Sie dann auf „einzelner Baum“, um die Trennungen zu lesen.