{"id":4679,"date":"2026-08-13T14:50:31","date_gmt":"2026-08-13T12:50:31","guid":{"rendered":"https:\/\/ellistat.com\/?post_type=guide-dutilisateur&p=4679"},"modified":"2026-08-20T16:41:38","modified_gmt":"2026-08-20T14:41:38","slug":"ein-modell-erstellen","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/de\/guide-dutilisateur\/construire-un-modele\/","title":{"rendered":"Ein Modell erstellen"},"content":{"rendered":"

1. Das Machine-Learning-Modell und sein Raster<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Ein Projekt enth\u00e4lt so viele Modelle<\/strong> soweit erforderlich, als Registerkarten am oberen Seitenrand angezeigt, mit einem \u00ab+\u00bb, um eine neue Vorlage zu erstellen. Jede Vorlage hat einen Namen und bezeichnet das Raster<\/strong> die er betreibt und die direkt unter seinem Namen ausgew\u00e4hlt wurde.<\/p>\n\n\n\n

\u26a0\ufe0f Das Raster eines Modells \u00e4ndern setzt seine X-, Y-Werte und Testzeilen auf Null zur\u00fcck<\/strong>. Das ist beabsichtigt: Die Spalten eines anderen Rasters m\u00fcssen nicht \u00fcbereinstimmen. Um zwei Datens\u00e4tze zu vergleichen, erstellen Sie zwei Modelle.<\/p>\n\n\n\n

2. X und Y ausw\u00e4hlen<\/h2>\n\n\n\n

In der Tabelle links sind die Spalten der Tabelle mit zwei Spalten mit Kontrollk\u00e4stchen aufgef\u00fchrt, X<\/strong> und Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong> ist die zu erratende Antwort. Diese ankreuzen benennt das Modell<\/strong> ihrer Meinung nach und w\u00e4hlt gleich zu Beginn die Art des Modells aus<\/strong> : lineare Regression, wenn Y quantitativ ist, logistische Regression, wenn es qualitativ ist. <\/li>\n\n\n\n
  • X<\/strong> sind die erkl\u00e4renden Faktoren.<\/li>\n<\/ul>\n\n\n\n

    Drei Auswahlkriterien, die man kennen sollte:<\/p>\n\n\n\n

      \n
    • eine Spalte Konstante<\/strong> kann nicht X sein: Das entsprechende K\u00e4stchen ist deaktiviert, da ohne Variation kein Effekt absch\u00e4tzbar ist; ; <\/li>\n\n\n\n
    • nur die Spalten von Probe 1<\/strong> werden in X angeboten; ; <\/li>\n\n\n\n
    • Eine Spalte kann nicht gleichzeitig X und Y sein: Wenn man das eine ankreuzt, wird das andere abgew\u00e4hlt.<\/li>\n<\/ul>\n\n\n\n

      3. Vorlagentyp ausw\u00e4hlen<\/h2>\n\n\n\n

      Die Liste der Typen h\u00e4ngt von der Art von Y ab.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n

      Quantitatives Y<\/strong><\/p>\n\n\n\n

      Typ<\/strong><\/td>Was es bietet<\/strong><\/td><\/tr><\/thead>
      Lineare Regression<\/strong><\/td>Das Referenzmodell: lesbare Koeffizienten, p-Werte, R\u00b2. Dieses Modell wird verwendet, um verstehen<\/em>.<\/td><\/tr>
      PLS-Regression<\/strong><\/td>F\u00fcr eine gro\u00dfe Anzahl miteinander korrelierender X-Werte, bei denen die klassische Regression instabil wird.<\/td><\/tr>
      K-OPLS-Regression<\/strong><\/td>Kern-Version der PLS: erfasst nichtlineare Beziehungen.<\/td><\/tr>
      Gau\u00df-Prozess<\/strong><\/td>Flexible Interpolation mit Konfidenzintervall<\/strong> an jedem Punkt. Hervorragend bei geringen Datenmengen.<\/td><\/tr>
      Neuralnetz<\/strong><\/td>Mehrschichtiges Perzeptron: stark nichtlineare Zusammenh\u00e4nge, auf Kosten der Interpretierbarkeit.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Y qualitativ<\/strong> = Es wird nicht mehr ein Wert vorhergesagt, sondern eine Klasse<\/strong> :<\/p>\n\n\n\n

      Typ<\/strong><\/td>Was es bietet<\/strong><\/td><\/tr><\/thead>
      Logistische Regression<\/strong><\/td>Koeffizienten und p-Werte, wie bei der linearen Regression. Das Referenzmodell f\u00fcr die Klassifizierung.<\/td><\/tr>
      Entscheidungsbaum<\/strong><\/td>Verst\u00e4ndliche Vorschriften, die direkt in Arbeitsanweisungen umgesetzt werden k\u00f6nnen.<\/td><\/tr>
      Zuf\u00e4lliger Wald<\/strong><\/td>\u201eWellenbaugruppe\u201c: pr\u00e4ziser, aber weniger verst\u00e4ndlich.<\/td><\/tr>
      (SVM) Support-Vektor-Maschine<\/strong><\/td>Komplexe Trenngrenzen.<\/td><\/tr>
      (KNN) K \u2013 n\u00e4chste Nachbarn<\/strong><\/td>Einstufung anhand der \u00c4hnlichkeit mit bekannten F\u00e4llen.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Zwei Typen verschwinden von selbst, wenn sie sich nicht anstrengen:<\/p>\n\n\n\n

        \n
      • der Gau\u00df-Prozess<\/strong> erfordert X alle quantitativ<\/strong> und h\u00f6chstens 50 Zeilen<\/strong> Lernphase; dar\u00fcber hinaus steigen die Rechenkosten explosionsartig an; ; <\/li>\n\n\n\n
      • die K-OPLS-Regression<\/strong> verschwindet bei gro\u00dfen Tabellen (ab 2.000 Werten in den ausgew\u00e4hlten Spalten).<\/li>\n<\/ul>\n\n\n\n

        \ud83d\udca1 Loslegen immer<\/strong> durch lineare oder logistische Regression, selbst wenn eine nichtlineare Abh\u00e4ngigkeit vermutet wird. Sie liefert p-Werte, einen R\u00b2-Wert und interpretierbare Koeffizienten: genug, um zu wissen, welche<\/em> Diese Faktoren spielen eine Rolle. Flexiblere Modelle liefern zwar manchmal bessere Vorhersagen, beantworten aber nicht die Frage: \u00abWo muss man ansetzen?\u00bb.<\/p>\n\n\n\n

        4. Die Optionen<\/h2>\n\n\n\n
        \"\"<\/figure>\n\n\n\n

        Unter dem Modelltyp, der Abschnitt Optionen<\/strong> zeigt die f\u00fcr den ausgew\u00e4hlten Typ spezifischen Einstellungen an (maximale Tiefe und minimale Anzahl von Individuen pro Blatt f\u00fcr einen Baum, Anzahl der B\u00e4ume und Anteil der Variablen f\u00fcr einen Wald, Gamma und Cost f\u00fcr einen SVM, Lernrate, Anzahl der Epochen, Regularisierung und Gr\u00f6\u00dfe der versteckten Schicht f\u00fcr ein neuronales Netz, Anzahl der Komponenten f\u00fcr die PLS).<\/p>\n\n\n\n

        \u26a0\ufe0f Diese Einstellungen weisen sinnvolle Standardwerte auf. Eine un\u00fcberlegte \u00c4nderung dieser Einstellungen f\u00fchrt zu \u00fcberkorrigieren<\/strong> : Ein Modell, das die Trainingsdaten perfekt nachbildet, bei jedem neuen Teil jedoch Fehler macht. Das ist die Registerkarte Modell\/Beobachtung<\/strong> und die Testzeilen, die anzeigen, ob Sie gewonnen oder verloren haben.<\/p>\n\n\n\n

        5. Die Bedingungen der Vorlage<\/h2>\n\n\n\n

        Bei einer Regression die Registerkarte Koeffizienten<\/strong> liest nicht nur die Vorlage: Hier wird sie besteht aus<\/strong>. \u00dcber einen Begriffsausw\u00e4hler lassen sich zu den Haupteffekten folgende Effekte hinzuf\u00fcgen:<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n
          \n
        • die quadratische Terme<\/strong> : das Quadrat eines Faktors, um eine Kr\u00fcmmung zu erfassen. Gilt nur f\u00fcr quantitative Faktoren mit mehr als zwei Stufen: Bei zwei Stufen unterscheidet sich ein Quadrat nicht von der Konstante; ;<\/li>\n\n\n\n
        • die Wechselwirkungen<\/strong> : das Produkt zweier Faktoren; ; <\/li>\n\n\n\n
        • die Konstante<\/strong>, das man gegebenenfalls aus dem Modell entfernen kann.<\/li>\n<\/ul>\n\n\n\n

          Die Koeffiziententabelle gibt f\u00fcr jeden Term Folgendes an: den Koeffizient<\/strong>, das\u2019Standardfehler<\/strong>, die Statistik<\/strong>, die p-Wert<\/strong>, die Schlussfolgerung bedeutsam<\/strong> und der VIF<\/strong>. Dar\u00fcber stehen der Standardfehler des Modells, der n (ddl)<\/strong>am R\u00b2<\/strong> und der Angepasstes R\u00b2<\/strong>, sowie die rechte Seite des Modells<\/strong>, die vollst\u00e4ndige Gleichung, zum Kopieren.<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          \ud83d\udca1 Der VIF<\/strong> ist die Sicherheitsvorkehrung, die oft vergessen wird. Sie misst, inwieweit sich ein Term mit anderen \u00fcberschneidet. Ein hoher VIF-Wert bedeutet, dass der angezeigte Koeffizient nicht zuverl\u00e4ssig ist \u2013 nicht, dass der Faktor keine Rolle spielt, sondern dass die Daten es nicht zulassen, seinen Effekt von dem eines anderen zu trennen. Bei Beobachtungsdaten kommt dies h\u00e4ufig vor; bei einem gut konzipierten Versuchsdesign darf dies jedoch nicht vorkommen.<\/p>\n\n\n\n

          Man kann einen Begriff entweder l\u00f6schen, indem man ihn aus der Begriffsliste des Modells entfernt, oder indem man auf \u00abL\u00f6schen\u00bb klickt.\u00bb<\/p>\n\n\n\n

          Die automatische Analyse<\/strong> bietet zwei Strategien zur Begriffsauswahl an:<\/p>\n\n\n\n

            \n
          • Vorw\u00e4rts<\/strong> : Ausgehend von der leeren Vorlage die erforderlichen Terme nacheinander hinzuf\u00fcgen; ; <\/li>\n\n\n\n
          • Zur\u00fcck<\/strong> : Man geht vom vollst\u00e4ndigen Modell aus und entfernt die \u00fcberfl\u00fcssigen Terme.<\/li>\n<\/ul>\n\n\n\n

            Die Schaltfl\u00e4che Beste Teilmenge<\/strong> geht noch einen Schritt weiter: Er z\u00e4hlt die Begriffskombinationen bis zu einer maximale Anzahl von Begriffen<\/strong> den Sie festlegen, zeigt das Anzahl der Regressionen<\/strong> was dies bedeutet, und sortiert die Ergebnisse nach R\u00b2 und angepasstem R\u00b2. Jeder Kandidat l\u00e4sst sich mit einem Klick anwenden.<\/p>\n\n\n\n

            \u26a0\ufe0f Automatische Auswahl von Begriffen macht die p-Werte ung\u00fcltig<\/strong> Im engeren Sinne: Wir haben viele Modelle getestet und das beste ausgew\u00e4hlt, was bei der Berechnung des p-Werts nicht ber\u00fccksichtigt wird. Das Ergebnis ist zwar ein hervorragender Ausgangspunkt, aber ein auf diese Weise gewonnenes Modell best\u00e4tigt anhand neuer Daten<\/strong>, nicht auf diejenigen, die bei seiner Wahl eine Rolle gespielt haben.<\/p>\n\n\n\n

            Bei qualitativen Faktoren kann die Referenzkategorie (die in der Konstante enthalten ist) ausgew\u00e4hlt werden. Die Referenzkategorie erscheint nicht in der Student-Tabelle.<\/p>\n\n\n\n

            6. Die Ergebnisse lesen<\/h2>\n\n\n\n

            Auf der rechten Seite des Bildschirms werden die Ergebnisse in Registerkarten angezeigt. Die ersten Ergebnisse h\u00e4ngen vom Modell ab, die folgenden sind immer vorhanden.<\/p>\n\n\n\n

            Modellspezifische Registerkarten<\/strong><\/p>\n\n\n\n

            Registerkarte<\/strong><\/td>Wenn er auftaucht<\/strong><\/td><\/tr><\/thead>
            Taguchi<\/strong><\/td>Ellistat hat in den Daten einen Taguchi-Plan erkannt, und Y ist quantitativ. Zeige die f\u00fcr diesen Plan spezifische Analyse an.<\/td><\/tr>
            Mehrstufig<\/strong><\/td>Die Daten lassen dies zu: Auswirkungen und Bedeutung der Begriffe<\/strong> auf Faktoren auf mehreren Ebenen.<\/td><\/tr>
            Koeffizienten<\/strong><\/td>Lineare oder logistische Regression (siehe \u00a75).<\/td><\/tr>
            Konfiguration<\/strong><\/td>PLS, K-OPLS, Gau\u00df-Verfahren, neuronales Netz, Baum, Wald, SVM, KNN \u2013 typenspezifische Diagnosen.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            Gemeinsame Registerkarten<\/strong><\/p>\n\n\n\n

            Registerkarte<\/strong><\/td>Was es zeigt<\/strong><\/td><\/tr><\/thead>
            Modell\/Beobachtung<\/strong><\/td>Prognose im Vergleich zum Ist-Wert. Bei einer qualitativen Y-Variablen ist dies die Verwechslungsmatrix<\/strong>.<\/td><\/tr>
            Histogramm<\/strong><\/td>Die Verteilung auf dem quantitativen Y-Achsenbereich.<\/td><\/tr>
            R\u00fcckst\u00e4nde<\/strong><\/td>Die Details Zeile f\u00fcr Zeile: beobachteter Wert, Vorhersage, Abweichung und Zugeh\u00f6rigkeit zu den Testreihen.<\/td><\/tr>
            Prognose<\/strong><\/td>Geben Sie Werte f\u00fcr X ein und lesen Sie die vorhergesagte Antwort ab.<\/td><\/tr>
            3D<\/strong><\/td>Sobald 2 \u00d7<\/strong> : die Reaktionsfl\u00e4che des Modells.<\/td><\/tr>
            5D<\/strong><\/td>Sobald 4 \u00d7<\/strong> : dieselbe Interpretation mit zwei zus\u00e4tzlichen Aspekten, die durch Farbe und Gr\u00f6\u00dfe zum Ausdruck kommen.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            \ud83d\udca1 \u201eModell\/Beobachtung\u201c ist die einzige Registerkarte, auf der das Modell bewertet wird.<\/strong> Die Punkte m\u00fcssen auf der Diagonale liegen, und vor allem Auch die Testzeilen m\u00fcssen dort ausgerichtet sein<\/strong>. Ein Modell, das seine Trainingsdaten perfekt vorhersagt, bei den Testdaten jedoch versagt, hat nichts gelernt: Es hat lediglich auswendig gelernt. Das ist der einzige Fehler, der z\u00e4hlt, und der R\u00b2-Wert ber\u00fccksichtigt ihn nicht.<\/p>\n\n\n\n

            7. Taguchi<\/h2>\n\n\n\n

            Bei einem Versuchsplan mit zwei Ebenen liefert die Taguchi-Tabelle das Wirkungsdiagramm f\u00fcr alle Spalten der Tabelle.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Eine Interaktion ausw\u00e4hlen oder die Auswahl aufheben<\/strong>. Wenn man auf den Namen der roten Interaktion klickt, wird diese ausgew\u00e4hlt und wechselt zu gr\u00fcn. Ebenso wechselt sie zu rot, wenn man auf den gr\u00fcnen Namen klickt. Bei einer ausgew\u00e4hlten Interaktion wird das entsprechende Interaktionsdiagramm angezeigt. Die x-Achse l\u00e4sst sich durch Klicken auf den blauen Punkt \u00e4ndern.<\/p>\n\n\n\n

            8. Modell \/ Beobachtung<\/h2>\n\n\n\n

            Diese Grafik veranschaulicht in verschiedener Form die \u00dcbereinstimmung zwischen Modell und Messwerten. Je n\u00e4her die Punkte an der Geraden liegen, desto besser entspricht das Modell den Messwerten.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Ein sehr n\u00fctzliches Diagramm ist das \u201eLeverage-vs.-Residuen\u201c-Diagramm. Die Punkte sollten im gr\u00fcnen Bereich liegen.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Wenn ein Punkt nach unten oder oben im roten Bereich liegt, liegt das an einem Problem bei der Antwort. Eine der Antworten passt nicht zum Muster (Ausrei\u00dfer?).<\/p>\n\n\n\n

            Befindet sich ein Punkt rechts im roten Bereich, liegt das Problem bei den X-Werten. Eine der Testreihen weicht von den anderen ab (Beispiel: X variiert in allen Reihen au\u00dfer einer zwischen 5 und 10, oder X = 20).<\/p>\n\n\n\n

            9. Histogramm der Residuen<\/h2>\n\n\n\n

            Zeigt das Histogramm und die Normalit\u00e4tspr\u00fcfung der Residuen an<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Auf dieser Registerkarte befindet sich die Tabelle mit den gemessenen und den vorhergesagten Werten sowie den Residuen.<\/p>\n\n\n\n

            In dieser Tabelle kann man jedoch w\u00e4hlen, ob man einen Teil der Zeilen nach dem Zufallsprinzip, die ersten oder die letzten Zeilen oder bestimmte Zeilen aus der Spalte \u201eTest\u201c in den Test aufnehmen m\u00f6chte.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            10. Prognose<\/h2>\n\n\n\n

            \u00dcber diese Registerkarte lassen sich anhand des Modells f\u00fcr jede beliebige Konfiguration ein Ergebnis und dessen Konfidenzintervall vorhersagen.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            11. 3D- und 5D-Grafik<\/h2>\n\n\n\n

            Das 3D-Men\u00fc erm\u00f6glicht eine 3D-Ansicht der Antwortfl\u00e4che. Man w\u00e4hlt 2 X-Achsen aus und legt eine bestimmte Konfiguration der \u00fcbrigen X-Achsen fest, um die Darstellung anzuzeigen.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Falls gen\u00fcgend X-Faktoren vorliegen, wird die 5D-Darstellung vorgeschlagen, die es erm\u00f6glicht, Y in Abh\u00e4ngigkeit von 4X in einer einzigen Abbildung darzustellen (5 Dimensionen)<\/p>\n\n\n\n

            Im folgenden Beispiel ist der Verlauf von Leistung und Geschwindigkeit in neun Konfigurationen von Defokussierung und Spot dargestellt. Man kann auch ein 5\u00d75-Raster anstelle des 3\u00d73-Rasters verwenden, um eine feinere Darstellung zu erhalten.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            12. Weitere m\u00f6gliche Modelle mit quantitativen Y-Variablen<\/h2>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            PLS-Regression<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Die PLS-Regression kommt zum Einsatz, wenn es viele X-Variablen gibt, die untereinander korrelieren: Anstatt wie bei der klassischen Regression einen Koeffizienten pro Faktor zu sch\u00e4tzen, bildet sie Komponenten \u2013 Kombinationen von X \u2013 und f\u00fchrt eine Regression von Y auf diese durch. Der Schieberegler \u201eNumber of components\u201c legt deren Anzahl fest; dies ist die einzige Einstellung, die das Modell tats\u00e4chlich strukturiert.<\/p>\n\n\n\n

            Das Diagramm \u201eR\u00b2 vs. Anzahl der Komponenten\u201c dient als Orientierungshilfe bei dieser Entscheidung: Man w\u00e4hlt die Anzahl der Komponenten, ab der sich die Kurve abflacht. Im vorliegenden Beispiel bringt die Erh\u00f6hung von 2 auf 4 Komponenten fast keinen zus\u00e4tzlichen Nutzen \u2013 das Modell wird mit 2 Komponenten beibehalten, mit einem R\u00b2 von 38,27 % und einem angepassten R\u00b2 von 32,65 % bei 22 Freiheitsgraden und einem Standardfehler von 2,42842.<\/p>\n\n\n\n

            Die Tabelle \u201eRegressionskoeffizienten\u201c gibt, wie bei der linearen Regression, die Konstante und einen Koeffizienten pro Faktor (Druck, Temperatur, Bediener (Robert), Luftfeuchtigkeit) zusammen mit dem entsprechenden VIF an. Hier liegen die VIF-Werte nahe bei 1, was darauf hindeutet, dass die Faktoren nicht redundant sind.<\/p>\n\n\n\n

            \u26a0\ufe0f Das Hinzuf\u00fcgen von Komponenten f\u00fchrt immer zu einem Anstieg des Trainings-R\u00b2: Dies ist der direkte Weg zur \u00dcberanpassung. Die richtige Anzahl an Komponenten l\u00e4sst sich anhand der Testzeilen und auf der Registerkarte \u201eModell\/Beobachtung\u201c beurteilen, nicht anhand des R\u00b2.<\/p>\n\n\n\n

            KOPLS-Regression<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Die K-OPLS-Regression ist die Kernel-Version der PLS: Die X-Variablen werden in einen durch einen Kernel transformierten Raum projiziert (hier ein gau\u00dfscher RBF-Kernel mit dem Parameter \u03c3), wodurch nichtlineare Zusammenh\u00e4nge erfasst werden k\u00f6nnen, die die klassische PLS nicht erkennt. Das Kontrollk\u00e4stchen \u201eX standardisieren\u201c bringt die Faktoren vor der Projektion auf denselben Ma\u00dfstab.<\/p>\n\n\n\n

            Zwei Komponentengruppen werden separat eingestellt: die pr\u00e4diktiven Komponenten (A), die die mit Y verbundenen Informationen tragen, und die orthogonalen Komponenten (B), die die Variation der X-Werte ohne Bezug zu Y auffangen. Die Schaltfl\u00e4chen \u201eBesten Kern finden\u201c und \u201eBeste Konfiguration finden\u201c ermitteln automatisch \u03c3 und das Paar (A, B).<\/p>\n\n\n\n

            Die beiden Diagramme \u201eR\u00b2 vs. Komponenten\u201c dienen dazu, diese Wahl zu best\u00e4tigen. Im Beispiel reicht eine einzige pr\u00e4diktive Komponente aus; dar\u00fcber hinaus bricht der R\u00b2-Wert ein, w\u00e4hrend er bis zu drei orthogonalen Komponenten stark ansteigt und sich dann abflacht: Die gew\u00e4hlte Konfiguration lautet A = 1 und B = 3 f\u00fcr n = 25, p = 7, einem RBF-Kern (\u03c3 = 1,88736), einem Standardfehler von 1,15671 und einem R\u00b2 von 85,36 % (angepasst 84,72 %).<\/p>\n\n\n\n

            \u26a0\ufe0f K-OPLS liefert weder p-Werte noch interpretierbare Koeffizienten: Es sagt Vorhersagen voraus, liefert aber keine Erkl\u00e4rungen. Es l\u00e4sst sich daher ausschlie\u00dflich anhand der Registerkarte \u201eModell\/Beobachtung\u201c und der Testzeilen beurteilen. Das angezeigte angepasste R\u00b2 basiert zudem auf einer N\u00e4herung der Freiheitsgrade des Kernels (df \u2248 n \u2212 (A + 1)): Es ist als Indikator zu verstehen, nicht als exakter Wert.<\/p>\n\n\n\n

            Neuronale Netze<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Das neuronale Netzwerk ist ein mehrschichtiges Perzeptron (MLP): Die X durchlaufen eine oder mehrere versteckte Schichten von Neuronen, bevor sie Y erzeugen. Im Abschnitt \u00abArchitektur\u00bb werden die Aktivierungsfunktion (standardm\u00e4\u00dfig ReLU) und die Liste der versteckten Schichten \u00fcber \u201e+ Schicht hinzuf\u00fcgen\u201c festgelegt, anschlie\u00dfend die Anzahl der Neuronen in jeder Schicht (hier 16 und dann 8). Je breiter und zahlreicher die Schichten sind, desto flexibler ist das Modell \u2026 und desto gr\u00f6\u00dfer ist die Gefahr, dass es sich die Daten einpr\u00e4gt.<\/p>\n\n\n\n

            Der Abschnitt \u00abTraining\u00bb legt die Lernparameter fest: LR die Lernrate (im Beispiel 1e-2 \u201esehr aggressiv\u201c), der LR-Planer, der diese im Laufe der Iterationen verringert, \u201eLot\u201c die Gr\u00f6\u00dfe der Minilots (Full-batch = der gesamte Datensatz bei jedem Schritt), \u201eL2\u201c die Regularisierung, die die Gewichte begrenzt, und \u201eIterationen\u201c die Anzahl der Durchl\u00e4ufe. Die Schaltfl\u00e4che \u201eTraining\u201c startet die Berechnung.<\/p>\n\n\n\n

            Die Tabelle \u201eStatistiken\u201c enth\u00e4lt n, p, den Standardfehler, R\u00b2 und das angepasste R\u00b2; die Kurve \u201eTrainingsverlust\u201c zeigt den R\u00fcckgang des Verlusts (MSE) im Verlauf der Iterationen. Eine Kurve, die zun\u00e4chst abf\u00e4llt und sich dann abflacht, deutet darauf hin, dass der Lernprozess konvergiert ist: Eine Verl\u00e4ngerung der Iterationen bringt keinen zus\u00e4tzlichen Nutzen mehr. Eine Kurve, die bei der letzten Iteration noch abf\u00e4llt, bedeutet das Gegenteil \u2013 es m\u00fcssen weitere Iterationen hinzugef\u00fcgt werden.<\/p>\n\n\n\n

            \u26a0\ufe0f Im Beispiel betr\u00e4gt R\u00b2 = 100 % und der Standardfehler 0,00026: Das Netzwerk gibt seine 25 Trainingszeilen exakt wieder. Dies ist ein typisches Anzeichen f\u00fcr \u00dcberanpassung, nicht f\u00fcr ein gutes Modell. Nur die Registerkarte \u201eModell\/Beobachtung\u201c und die Testzeilen liefern eine eindeutige Entscheidung; bei Abweichungen sollte man die Gr\u00f6\u00dfe der Schichten reduzieren, die L2-Regularisierung erh\u00f6hen oder die Anzahl der Iterationen verringern.<\/p>\n\n\n\n

            13. M\u00f6gliche Modelle mit qualitativen Y-Variablen<\/h2>\n\n\n\n

            Bin\u00e4re logistische Regression<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Die bin\u00e4re logistische Regression wird verwendet, wenn Y nur zwei Auspr\u00e4gungen annimmt (hier \u201eQualit\u00e9bin\u201c: OK \/ KO). Das Modell sagt keinen Wert voraus, sondern die Wahrscheinlichkeit, zur untersuchten Kategorie zu geh\u00f6ren; die Registerkarte \u201eKoeffizienten\u201c ist daher \u00e4hnlich wie bei der linearen Regression zu interpretieren, mit einigen spezifischen Indikatoren.<\/p>\n\n\n\n

            Die obere Tabelle legt die Referenzbedingungen fest: f\u00fcr jedes qualitative X (Behandlung, Anbieter) und f\u00fcr Y. Die Referenz ist der Ma\u00dfstab, an dem alles gemessen wird; sie erscheint nicht in der Koeffiziententabelle, und eine \u00c4nderung dieser Auswahl ver\u00e4ndert die Interpretation der Ergebnisse, ohne das Modell zu ver\u00e4ndern. Ein Banner mit der Frage \u00abKann ich dem Modell vertrauen?\u00bb zeigt zudem an, ob die Anzahl der Beobachtungen der seltensten Klasse pro gesch\u00e4tztem Parameter ausreichend ist.<\/p>\n\n\n\n

            Die Statistikzeile enth\u00e4lt anstelle des R\u00b2-Werts der linearen Regression: n, ddl, den \u03c7\u00b2-Wert des Modells und dessen p-Wert (die GesamtSignifikanz), die Devianz sowie drei Pseudo-R\u00b2-Werte: McFadden, Cox & Snell und Nagelkerke. Im Beispiel gilt: n = 180, \u03c7\u00b2 = 33,69 mit einem p-Wert von 2,7\u00b710\u207b\u2076: Das Modell liefert Informationen, auch wenn die Pseudo-R\u00b2-Werte (15,4 % bis 24,3 %) eher bescheiden ausfallen.<\/p>\n\n\n\n

            Die Tabelle \u201eKoeffizienten & Signifikanz\u201c enth\u00e4lt f\u00fcr jeden Term: den Koeffizienten, dessen Sigma, die Z-Statistik, den p-Wert, die farblich hervorgehobene Schlussfolgerung zur Signifikanz, die Odds Ratio mit ihrem 95-Prozent-Konfidenzintervall % sowie den VIF. Die Odds Ratio ist der aussagekr\u00e4ftigste Wert: 2,66 f\u00fcr \u201eBehandlung (B)\u201c bedeutet, dass diese Behandlung die Wahrscheinlichkeit, die untersuchte Modalit\u00e4t zu erhalten, im Vergleich zu Behandlung A um das 2,66-Fache erh\u00f6ht.<\/p>\n\n\n\n

            \ud83d\udca1 Ein Konfidenzintervall der Odds Ratio, das den Wert 1 enth\u00e4lt, bedeutet \u00abkein nachgewiesener Effekt\u00bb \u2013 dies ist bei Anbieter (C) der Fall, dessen Intervall von 0,44 bis 2,34 reicht. Umgekehrt wirkt \u201eDruck\u201c (OR = 1,09 pro Einheit, KI 1,04\u20131,15) zwar nur schwach, aber eindeutig. Wie immer l\u00e4sst sich die Qualit\u00e4t der Einstufung anhand der Verwechslungsmatrix auf der Registerkarte \u201eModell\/Beobachtung\u201c beurteilen, nicht anhand der Pseudo-R\u00b2-Werte.<\/p>\n\n\n\n

            Multinomiale logistische Regression<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Wenn Y mehr als zwei Auspr\u00e4gungen aufweist (hier \u201eQualit\u00e4t\u201c: \u201eSchlecht\u201c \/ \u201eGut\u201c \/ \u201eAkzeptabel\u201c), wechselt Ellistat automatisch zur multinomialen logistischen Regression. Das Prinzip bleibt dasselbe, doch das Modell sch\u00e4tzt einen Satz von Koeffizienten pro Modalit\u00e4t von Y, wobei jede Modalit\u00e4t mit der oben auf der Seite ausgew\u00e4hlten Referenzmodalit\u00e4t verglichen wird \u2013 im Beispiel \u201eSchlecht\u201c.<\/p>\n\n\n\n

            Die Statistikzeile l\u00e4sst sich wie bei einem bin\u00e4ren Modell lesen, wobei der DDL-Wert h\u00f6her ist, da mehr Parameter vorhanden sind: n = 180, ddl = 10, \u03c7\u00b2 = 67,94 bei einem p-Wert von 1,1\u00b710\u207b\u00b9\u2070, einer Deviance von 321,357 und Pseudo-R\u00b2-Werten von 17,45 % (McFadden), 31,44 % (Cox & Snell) und 35,52 % (Nagelkerke).<\/p>\n\n\n\n

            Die Tabelle \u201eKoeffizienten nach Klasse\u201c zeigt f\u00fcr jede Y-Modalit\u00e4t ein Paar aus Koeffizient und p-Wert. Eine Zeile kann daher f\u00fcr eine Klasse signifikant sein, f\u00fcr eine andere jedoch nicht: \u201eBehandlung\u201c (B) beeinflusst die Wahrscheinlichkeit, \u201eGut\u201c statt \u201eSchlecht\u201c zu sein, deutlich (p = 0,0012), nicht jedoch die Wahrscheinlichkeit, \u201eAkzeptabel\u201c zu sein (p = 0,118). Ein positiver Koeffizient erh\u00f6ht die Wahrscheinlichkeit der Klasse in der Spalte im Vergleich zur Referenz.<\/p>\n\n\n\n

            Die Tabelle \u00abGlobale Tests der Terme (Likelihood-Verh\u00e4ltnis)\u00bb beantwortet die Frage, die im vorherigen Bericht fehlt: \u201eWirkt sich dieser Faktor \u00fcber alle Klassen hinweg aus?\u201c Jeder Term erh\u00e4lt dort einen eindeutigen \u03c7\u00b2-Wert und einen p-Wert \u2013 Druck (p = 9,3\u00b710\u207b\u2077) und Temperatur (p = 0,0003) sind hochsignifikant, Lieferant ist es in geringerem Ma\u00dfe (p = 0,024).<\/p>\n\n\n\n

            \ud83d\udca1 Der Gesamttest ist das Erste, worauf man achten sollte, um zu entscheiden, ob ein Faktor im Modell verbleibt. Die p-Werte nach Klassen dienen anschlie\u00dfend dazu, zu verstehen, wo der Faktor wirkt. Ein Faktor kann insgesamt signifikant sein, ohne dass einer seiner einzelnen Vergleiche signifikant ist, und das Gegenteil trifft ebenfalls zu \u2013 daher ist es sinnvoll, beide Tabellen zu haben.<\/p>\n\n\n\n

            Entscheidungsbaum<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Der Entscheidungsbaum unterteilt die Daten anhand einer Reihe von bin\u00e4ren Fragen zu den X-Variablen \u2013 \u00abLieferant \u2264 0,5?\u00bb, \u00abVerarbeitung \u2264 0,5?\u00bb \u2013 bis hin zu den Blattknoten, die jeweils eine vorhergesagte Klasse enthalten. Dies ist das \u00fcbersichtlichste Modell im Men\u00fc: Jeder Pfad von der Wurzel zu einem Blatt l\u00e4sst sich direkt in eine Arbeitsanweisung umsetzen.<\/p>\n\n\n\n

            Die Registerkarte \u201eKonfiguration\u201c enth\u00e4lt folgende Einstellungen: das Teilungskriterium (Gini oder Entropie), die maximale Tiefe, die minimale Teilungsgr\u00f6\u00dfe (Mindestanzahl an Elementen, damit ein Knoten geteilt wird), die minimale Blattgr\u00f6\u00dfe und die maximale Anzahl an Elementen. Die Schaltfl\u00e4che \u201eLernen\u201c baut den Baum nach jeder \u00c4nderung neu auf.<\/p>\n\n\n\n

            Unter den Einstellungen finden sich die Trainingsgenauigkeit \u2013 der Anteil der korrekt klassifizierten Individuen, 49,4 % bei n = 180 und p = 3 im Beispiel \u2013 sowie die \u00dcbersicht \u00fcber die tats\u00e4chlich erzielten Parameter: Tiefe 4, 6 Bl\u00e4tter, Gini-Kriterium.<\/p>\n\n\n\n

            Im Graphen zeigt jeder interne Knoten seinen Zustand, seine Tiefe und seine Verunreinigung (imp) an; jedes Blatt, in Gr\u00fcn dargestellt, zeigt seine Elementanzahl n, seine Unreinheit und die Mehrheitsklasse mit ihrer Wahrscheinlichkeit an \u2013 zum Beispiel n = 27, \u201eSchlecht\u201c (p = 0,5556). Eine Verunreinigung nahe 0 deutet auf ein reines Blatt und somit auf eine eindeutige Regel hin; eine hohe Verunreinigung deutet auf ein Blatt hin, in dem die Klassen vermischt bleiben und die Vorhersage dort unsicher ist.<\/p>\n\n\n\n

            \u26a0\ufe0f Der Baum ist das Modell, das am schnellsten \u00fcberanpasst: Wenn man die Tiefe erh\u00f6ht, isoliert man letztendlich jedes Individuum in seinem Blatt und erreicht eine Trainingsgenauigkeit von 100 %, ohne etwas gelernt zu haben. Die Erh\u00f6hung des \u201eMin. Eche\u201c f\u00fcr das Blatt und die Begrenzung der Tiefe sind die beiden Sicherheitsvorkehrungen; die Verwechslungsmatrix auf der Registerkarte \u201eModell\/Beobachtung\u201c in den Testzeilen gibt den Ausschlag.<\/p>\n\n\n\n

            Zuf\u00e4lliger Wald<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Der Zufallswald erstellt nicht einen Baum, sondern etwa hundert, von denen jeder auf der Grundlage einer zuf\u00e4lligen Auswahl von Zeilen (Bootstrap-Option) und einer zuf\u00e4lligen Teilmenge der X trainiert wird. Die endg\u00fcltige Vorhersage ergibt sich aus der Mehrheitsentscheidung aller B\u00e4ume. Diese Vermischung behebt den Hauptnachteil des einzelnen Baums \u2013 seine Instabilit\u00e4t \u2013 auf Kosten der Lesbarkeit: Das Modell l\u00e4sst sich nicht mehr als Abfolge von Regeln lesen.<\/p>\n\n\n\n

            Auf der Registerkarte \u201eKonfiguration\u201c stehen vier Einstellungen zur Verf\u00fcgung: die Anzahl der B\u00e4ume (standardm\u00e4\u00dfig 100), die maximale Tiefe (10), die minimale Anzahl von Stichproben pro Blatt (2) und der Schalter \u201eBootstrap\u201c. Eine Erh\u00f6hung der Anzahl der B\u00e4ume f\u00fchrt nicht zu einer \u00dcberanpassung \u2013 sie stabilisiert lediglich die Vorhersage und verl\u00e4ngert die Rechenzeit; die Komplexit\u00e4t wird durch die Tiefe und die minimale Anzahl an Stichproben bestimmt.<\/p>\n\n\n\n

            Das Banner gibt die Trainingsgenauigkeit an \u2013 hier 97,8 % f\u00fcr n = 180 und p = 5 \u2013 sowie eine \u00dcbersicht \u00fcber die gew\u00e4hlten Parameter. Im Vergleich zu den 49,4 % des Einzelbaums bei denselben Daten: Die Abweichung verdeutlicht den Pr\u00e4zisionsgewinn, aber auch das Risiko, da diese Genauigkeit anhand der Trainingsdaten gemessen wird.<\/p>\n\n\n\n

            Die Grafik \u201eBedeutung der Merkmale\u201c ordnet die X-Merkmale nach ihrem Beitrag zur Qualit\u00e4t der Einstufung, wobei der genaue Wert unterhalb der Grafik angegeben ist: \u201eDruck\u201c mit 40,91 % und \u201eTemperatur\u201c mit 40,75 % dominieren deutlich, die beiden \u201eLieferanten\u201c machen jeweils etwa zehn Prozent aus, und \u201eBehandlung\u201c mit \u22123,21 % tr\u00e4gt nichts bei. Dies entspricht f\u00fcr den Wald der Signifikanztabelle bei Regressionen.<\/p>\n\n\n\n

            \u26a0\ufe0f Ein negativer oder nahezu nullwertiger Signifikanzwert bedeutet, dass der Faktor die Vorhersage leicht verschlechtert, wenn er vertauscht wird: Er stellt f\u00fcr das Modell Rauschen dar. Beachte jedoch, dass die Bedeutung einen pr\u00e4diktiven Beitrag misst, keinen kausalen Effekt, und dass sich zwei korrelierte Faktoren die Bedeutung teilen, anstatt sie zu summieren. Wie beim Baum l\u00e4sst sich das Ergebnis aus der Verwechslungsmatrix der Testzeilen ablesen.<\/p>\n\n\n\n

            SVM \u2013 Support-Vektor-Maschine<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Die SVM (Support Vector Machine) sucht nach der Grenze, die die Klassen am besten voneinander trennt, indem sie den Abstand zwischen dieser Grenze und den n\u00e4chstgelegenen Punkten, den Support-Vektoren, maximiert. Dank des Kernels kann diese Trennlinie im urspr\u00fcnglichen X-Raum sehr komplex sein, was sie zu einem guten Klassifikator macht, wenn sich die Klassen nicht durch eine Gerade trennen lassen.<\/p>\n\n\n\n

            Die Registerkarte \u201eKonfiguration\u201c enth\u00e4lt folgende Einstellungen: den Kern (hier \u201eRbf\u201c), C (Kosten), das die Toleranz gegen\u00fcber Klassifizierungsfehlern festlegt \u2013 ein hoher C-Wert orientiert sich streng an den Daten, ein niedriger C-Wert akzeptiert Fehler, um eine glatte Grenze zu erhalten \u2013, Gamma, das den Bereich des Kerns festlegt (Auto = 1\/p), die Stopp-Toleranz (1e-4 empfohlen), die maximale Anzahl an Durchl\u00e4ufen (10) und die maximale Anzahl an Iterationen (10.000).<\/p>\n\n\n\n

            Das Banner zeigt die Trainingsgenauigkeit an \u2013 im Beispiel 57,2 % bei n = 180 und p = 5 \u2013 und der Kasten \u201eModellparameter\u201c gibt die tats\u00e4chlich verwendete Konfiguration wieder: RBF-Kernel, C = 180, Gamma = auto, Tol = 0,0001.<\/p>\n\n\n\n

            \ud83d\udca1 C und Gamma werden gemeinsam eingestellt und sind die einzigen beiden Einstellungen, die wirklich z\u00e4hlen. Ein zu hoher Gamma-Wert erzeugt eine Grenze, die sich an jeden Punkt anschmiegt (\u00dcberanpassung); ein zu hoher C-Wert erzeugt denselben Effekt. Gehen Sie schrittweise vor und beobachten Sie dabei die Abweichung zwischen der Trainingsgenauigkeit und den Testlinien, anstatt zu versuchen, die Trainingsgenauigkeit zu maximieren.<\/p>\n\n\n\n

            \u26a0\ufe0f Das SVM liefert weder Koeffizienten noch p-Werte noch die Signifikanz der Faktoren: Es klassifiziert, ohne zu erkl\u00e4ren. Es l\u00e4sst sich ausschlie\u00dflich anhand der Verwechslungsmatrix auf der Registerkarte \u201eModell\/Beobachtung\u201c beurteilen. Wenn das Ziel darin besteht, zu erfahren, worauf man einwirken soll, liefern die logistische Regression oder der Random-Forest-Ansatz bessere Antworten auf diese Frage.<\/p>\n\n\n\n

            Das KNN<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            KNN (K-Nearest Neighbors) ist der einfachste Klassifikator: Er nimmt keinerlei Anpassung vor. Um eine neue Konfiguration vorherzusagen, sucht er in den Daten nach den k Zeilen, die ihr am \u00e4hnlichsten sind, und w\u00e4hlt die Klasse aus, die unter diesen am h\u00e4ufigsten vorkommt. Das \u00abModell\u00bb ist also der Datensatz selbst: Daher r\u00fchrt seine St\u00e4rke bei bereits aufgetretenen F\u00e4llen und seine Schw\u00e4che, sobald man davon abweicht.<\/p>\n\n\n\n

            Die Registerkarte \u201eKonfiguration\u201c enth\u00e4lt nur zwei Einstellungen: \u201ek-Nachbarn\u201c (Standardwert: 5) und den zur Messung der \u00c4hnlichkeit verwendeten Abstand: euklidisch, Manhattan oder Tschebyscheff. In der Kopfzeile wird anschlie\u00dfend die Trainingsgenauigkeit angezeigt, und im Feld \u201eModellparameter\u201c wird die angewendete Konfiguration angezeigt (k = 5, euklidische Metrik).<\/p>\n\n\n\n

            Die Wahl des k entscheidet \u00fcber Rauschen und Gl\u00e4ttung: Ein kleiner k-Wert passt sich den Daten an und reagiert auf jeden einzelnen Punkt, ein gro\u00dfer k-Wert gl\u00e4ttet die Grenzen, sagt aber letztendlich immer die h\u00e4ufigste Klasse voraus. Ein ungerader k-Wert verhindert Stimmengleichheit zwischen zwei Klassen.<\/p>\n\n\n\n

            \u26a0\ufe0f KNN reagiert empfindlich auf die Gr\u00f6\u00dfenordnung der X-Werte: Ein in Tausend ausgedr\u00fcckter Faktor \u00fcberlagert die anderen bei der Berechnung des Abstands. Die Modellqualit\u00e4t verschlechtert sich zudem schnell, wenn viele X-Werte vorliegen. Wie die SVM liefert es weder Koeffizienten noch die Bedeutung der Faktoren und wird ausschlie\u00dflich anhand der Verwechslungsmatrix auf der Registerkarte \u201eModell\/Beobachtung\u201c bewertet, einschlie\u00dflich der Testzeilen.<\/p>","protected":false},"featured_media":0,"menu_order":20,"template":"","meta":{"_acf_changed":false},"menu-guide-dutilisateur":[32],"class_list":["post-4679","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-8-ml-machine-learning"],"acf":[],"yoast_head":"\nConstruire un mod\u00e8le - Ellistat<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/de\/benutzerhandbuch\/ein-modell-erstellen\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Construire un mod\u00e8le - Ellistat\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/de\/benutzerhandbuch\/ein-modell-erstellen\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-20T14:41:38+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png\" \/>\n\t<meta property=\"og:image:width\" content=\"246\" \/>\n\t<meta property=\"og:image:height\" content=\"80\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"27\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"name\":\"Construire un mod\u00e8le - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"datePublished\":\"2026-08-13T12:50:31+00:00\",\"dateModified\":\"2026-08-20T14:41:38+00:00\",\"description\":\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Construire un mod\u00e8le\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l'industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Ein Modell erstellen \u2013 Ellistat","description":"Erfahren Sie, wie Sie in der Software \u201eData Analysis\u201c von Ellistat ein Machine-Learning-Modell erstellen","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/de\/benutzerhandbuch\/ein-modell-erstellen\/","og_locale":"de_DE","og_type":"article","og_title":"Construire un mod\u00e8le - Ellistat","og_description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","og_url":"https:\/\/ellistat.com\/de\/benutzerhandbuch\/ein-modell-erstellen\/","og_site_name":"Ellistat","article_modified_time":"2026-08-20T14:41:38+00:00","og_image":[{"width":246,"height":80,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"27\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","url":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","name":"Ein Modell erstellen \u2013 Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","datePublished":"2026-08-13T12:50:31+00:00","dateModified":"2026-08-20T14:41:38+00:00","description":"Erfahren Sie, wie Sie in der Software \u201eData Analysis\u201c von Ellistat ein Machine-Learning-Modell erstellen","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png"},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Construire un mod\u00e8le"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"Die Qualit\u00e4tssuite der Maschinenbauindustrie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/guide-dutilisateur\/4679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/media?parent=4679"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/de\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}