Die Menge von Annahmen, die ein Lernalgorithmus verwendet, um von beobachteten Daten auf nicht gesehene Instanzen zu verallgemeinern.
Jedes Modell verkörpert Verzerrungen – z. B. Glattheitsannahmen in Kernel-Methoden oder Lokalität in KNN –, die die Generalisierung steuern. Das Erkennen des induktiven Bias hilft Governance-Teams dabei, für die Domäne geeignete Algorithmen auszuwählen und Fehlermodi zu verstehen. Es liefert zudem Hinweise darauf, wie viele Daten für ein zuverlässiges Lernen erforderlich sind und welche Modellklassen bei bestimmten Aufgaben systematisch unterdurchschnittliche Leistung erbringen können.
Ein Zeitreihenteam entscheidet sich für ein autoregressives Modell, weil dessen induktive Verzerrung zeitliche Kontinuität voraussetzt und damit besser zu Aktienkursdaten passt als ein Feedforward-Neuronales-Netzwerk. Diese Entscheidung wird in der Begründung der Modellauswahl für zukünftige Audits dokumentiert, und es wird sichergestellt, dass die Verzerrung des Modells mit dem Domänenwissen übereinstimmt.
