Zuletzt aktualisiert am:
Die Annahmen, die ein Lernalgorithmus nutzt, um von beobachteten Daten auf unbekannte Instanzen zu verallgemeinern.
Jedes Modell verkörpert induktive Vorannahmen (Biases) – wie beispielsweise Glattheitsannahmen bei Kernel-Methoden oder Lokalität bei KNN –, die die Verallgemeinerung steuern. Das Erkennen dieses induktiven Bias hilft Governance-Teams, für die jeweilige Domäne geeignete Algorithmen auszuwählen und Fehlermodi besser zu verstehen. Zudem gibt es Aufschluss darüber, wie viele Daten für ein verlässliches Lernen erforderlich sind und welche Modellklassen bei bestimmten Aufgaben systematisch hinter den Erwartungen zurückbleiben können.
Praxisbeispiel:
Ein Zeitreihen-Team entscheidet sich für ein autoregressives Modell, da dessen induktiver Bias eine zeitliche Kontinuität voraussetzt und sich somit besser für Aktienkursdaten eignet als ein Feedforward-Neuronales-Netzwerk. Sie dokumentieren diese Entscheidung in ihrer Begründung zur Modellauswahl für zukünftige Audits und stellen sicher, dass der Bias des Modells mit dem Domänenwissen übereinstimmt.
