Übungsaufgaben zu neuronalen Netzen und Modellbewertung
https://bildung.social/@oerinformatik/
https://oer-informatik.de/neuronale-netze-uebungsaufgaben
Neuronale Netze, Perzeptron, Aktivierungsfunktion, Convolutional Neural Network, Random Forest, Konfusionsmatrix, Accuracy, Precision, Sensitivity, Übungsaufgaben, Prüfungsvorbereitung
tl/dr; (Bearbeitungszeit insgesamt 61 min, mehrere Aufgaben): Zwei Übungsaufgaben zu neuronalen Netzen und zur Bewertung von Modellen: Perzeptron beschriften, erläutern, rechnen und einen Lernschritt durchführen, ein mehrschichtiges Netz beschriften und einen Knoten berechnen, neuronale Netze und CNNs für die Bilderkennung begründen (mit englischem Fachtext); danach Konfusionsmatrix aufstellen, Kennzahlen zuordnen und berechnen, einen Random Forest auswerten, Modelle vergleichen und die passende Kennzahl begründen. Alle Lösungen sind ausgeblendet und mit Punkteverteilung versehen [AI-Assisted]. (Zuletzt geändert am 27.10.2026)
Diese Übungsaufgaben gehören zum Artikel Neuronale Netze und Modellbewertung. Grundlagen zu Lernarten, Trainings- und Testdaten findest Du im Artikel Grundlagen des maschinellen Lernens.
Hinweise zur Bearbeitung: Von FIDP wird erwartet, dass ihnen Aufgaben auf Profilkompetenz-Ebene (Aufgabe 3.1 und Aufgabe 3.2) keine Probleme bereiten. Bei „nennen“ genügen Stichworte, bei „beschreiben“, „erläutern“ und „begründen“ schreibst Du ganze Sätze mit Bezug zur Situation. Gib bei Berechnungen immer den Rechenweg an. Werden zwei Angaben verlangt, werden auch nur die ersten zwei bewertet. Andere sachlich richtige Antworten sind ebenfalls richtig.
Aufgabe 3.1: Ausfälle und Treffpunktfotos mit neuronalen Netzen auswerten (Profilkompetenz)
(ca. 38 min Bearbeitungszeit)
Du bist Auszubildende*r der Fachinformatik für Daten- und Prozessanalyse bei der Let’s Meet GmbH in Bielefeld. Über die App „Let’s Meet“ finden Menschen andere für gemeinsame Freizeitaktivitäten. Das Team untersucht, ob sich vorhersagen lässt, welche Angemeldeten nicht zu einem Treffen erscheinen. Bei hoher Ausfallwahrscheinlichkeit sollen sie erinnert werden, und Personen auf der Warteliste rücken früher nach. Entwicklungsleiter Yusuf Demir möchte als Einstieg ein einfaches Perzeptron testen. Es verwendet zwei skalierte Merkmale:
- x_1: Entfernung zwischen Wohnort und Treffpunkt in 10 km (z. B. 8 km → 0,8),
- x_2: Anteil der Treffen, die die Person in den letzten sechs Monaten kurzfristig abgesagt hat (0 bis 1).
Die Ausgabe 1 bedeutet „fällt voraussichtlich aus“, 0 bedeutet „erscheint voraussichtlich“. Dein Mit-Azubi Jonas Weber hat eine Skizze des Perzeptrons vorbereitet.
a) Trage für die markierten Stellen (A) bis (F) die Bezeichnung des jeweiligen Bestandteils ein. (3 Punkte)
Je richtige Bezeichnung 0,5 Punkte:
| Stelle | Bezeichnung |
|---|---|
| (A) | Eingaben (Merkmale) x_1, x_2 |
| (B) | Bias (feste Eingabe 1, deren Gewicht w_0 den Bias bildet) |
| (C) | Gewichte w_0, w_1, w_2 |
| (D) | Nettoeingabefunktion (gewichtete Summe z) |
| (E) | Aktivierungsfunktion (Sprungfunktion, Schwellenwertfunktion) |
| (F) | Ausgabe \hat{y} (vorhergesagte Klasse 0 oder 1) |
b) Clara Neumann, Geschäftsführerin und Product Owner, möchte verstehen, wie das Perzeptron zu seiner Entscheidung kommt und woher es seine Gewichte hat.
Erläutere die Funktionsweise des Perzeptrons anhand der Skizze, einschließlich des Trainings. (5 Punkte)
5 Punkte, zum Beispiel je Aspekt 1 Punkt:
Die Eingaben x_1 (Entfernung) und x_2 (Absagequote) sowie die feste Bias-Eingabe 1 werden jeweils mit ihrem Gewicht multipliziert.
Die Nettoeingabefunktion addiert die Produkte zu z = w_0 + w_1 x_1 + w_2 x_2.
Die Sprungfunktion gibt 1 („fällt aus“) aus, wenn z \geq 0 ist, sonst 0 („erscheint“).
Im Training werden Anmeldungen aus der Vergangenheit verwendet, bei denen bekannt ist, ob die Person erschienen ist. Gibt das Perzeptron eine falsche Klasse aus, werden die Gewichte nach der Lernregel w_i := w_i + \eta (y - \hat{y}) x_i angepasst; das wird über mehrere Epochen wiederholt.
Nach dem Training liefert das Perzeptron mit den gelernten Gewichten für neue Anmeldungen eine Vorhersage.
c) Nach einem ersten Training hat das Perzeptron die Gewichte w_0 = -1{,}0, w_1 = 0{,}4 und w_2 = 1{,}5 gelernt.
Berechne die Ausgabe des Perzeptrons für die beiden Anmeldungen und gib an, wie sie eingeordnet werden:
- Anmeldung P: Entfernung 8 km, Absagequote 0,1,
- Anmeldung Q: Entfernung 25 km, Absagequote 0,4. (4 Punkte)
Je Anmeldung 1 Punkt für die Nettoeingabe, 1 Punkt für Ausgabe und Einordnung:
Geg.: w0 = −1,0; w1 = 0,4; w2 = 1,5
P: x1 = 0,8; x2 = 0,1 Q: x1 = 2,5; x2 = 0,4Ges.: z und \hat{y} für P
z_P = w_0 \cdot 1 + w_1 \cdot x_1 + w_2 \cdot x_2 = -1{,}0 + 0{,}4 \cdot 0{,}8 + 1{,}5 \cdot 0{,}1 = -1{,}0 + 0{,}32 + 0{,}15 = -0{,}53
z_P = -0{,}53 ist kleiner als 0, also \underline{\underline{\hat{y}_P = 0}}: Anmeldung P erscheint voraussichtlich.
Ges.: z und \hat{y} für Q
z_Q = -1{,}0 + 0{,}4 \cdot 2{,}5 + 1{,}5 \cdot 0{,}4 = -1{,}0 + 1{,}0 + 0{,}6 = 0{,}6
z_Q = 0{,}6 \geq 0, also \underline{\underline{\hat{y}_Q = 1}}: Anmeldung Q fällt voraussichtlich aus und erhält eine Erinnerung.
d) Anmeldung R (Entfernung 10 km, Absagequote 0,3) stammt aus den Trainingsdaten; die Person ist nicht erschienen (y = 1).
Prüfe, ob das Perzeptron R richtig einordnet. Führe bei einer falschen Ausgabe einen Lernschritt mit der Lernrate \eta = 0{,}5 durch und zeige, dass R danach richtig eingeordnet wird. (4 Punkte)
1 Punkt für die Prüfung, 2 Punkte für die neuen Gewichte, 1 Punkt für die Kontrolle:
Geg.: w0 = −1,0; w1 = 0,4; w2 = 1,5; η = 0,5
R: x0 = 1; x1 = 1,0; x2 = 0,3; y = 1Ges.: Ausgabe für R
z_R = -1{,}0 + 0{,}4 \cdot 1{,}0 + 1{,}5 \cdot 0{,}3 = -0{,}15 \quad \Rightarrow \quad \hat{y}_R = 0
Die Ausgabe ist falsch (y - \hat{y} = 1 - 0 = 1).
Ges.: neue Gewichte mit w_i := w_i + \eta \cdot (y - \hat{y}) \cdot x_i
w_0 = -1{,}0 + 0{,}5 \cdot 1 \cdot 1 = -0{,}5
w_1 = 0{,}4 + 0{,}5 \cdot 1 \cdot 1{,}0 = 0{,}9
w_2 = 1{,}5 + 0{,}5 \cdot 1 \cdot 0{,}3 = 1{,}65
Ges.: Kontrolle
z_R = -0{,}5 + 0{,}9 \cdot 1{,}0 + 1{,}65 \cdot 0{,}3 = 0{,}895 \geq 0 \quad \Rightarrow \quad \underline{\underline{\hat{y}_R = 1}}
R wird jetzt richtig als Ausfall eingeordnet.
e) Bei der Auswertung weiterer Daten stellt Jonas für ein zusätzliches Merkmal „Vorlauf der Anmeldung“ fest: Ausfälle häufen sich sowohl bei Anmeldungen, die sehr kurzfristig, als auch bei solchen, die sehr lange im Voraus erfolgt sind; Anmeldungen mit mittlerem Vorlauf fallen selten aus.
Beschreibe, warum ein einzelnes Perzeptron diesen Zusammenhang nicht abbilden kann, und was ein mehrschichtiges Netz anders macht. (3 Punkte)
2 Punkte für die Begründung, 1 Punkt für das mehrschichtige Netz, zum Beispiel:
Ein Perzeptron zieht genau eine Trenngerade (bei einem Merkmal: eine Schwelle) und kann nur linear separierbare Klassen trennen: „alles über der Schwelle fällt aus“ oder „alles darunter“. Hier liegen die Ausfälle aber an beiden Rändern und die Nicht-Ausfälle in der Mitte; dafür wären zwei Grenzen nötig. Ein mehrschichtiges Netz kombiniert in seinen verdeckten Schichten mehrere Neuronen mit nichtlinearen Aktivierungsfunktionen und kann so auch gekrümmte oder mehrteilige Grenzen lernen.
f) Yusuf Demir plant deshalb ein mehrschichtiges Netz mit drei Eingabemerkmalen und zeigt dem Team eine Grafik.
fa) Beschrifte die Felder (1) bis (3) der Grafik. (3 Punkte)
Je Feld 1 Punkt:
- Eingabeschicht (input layer)
- (2) verdeckte Schichten (hidden layers)
- (3) Ausgabeschicht (output layer)
fb) Nenne die zwei Werte, die über jeden Pfeil in einen inneren Knoten eingehen. (2 Punkte)
Je Wert 1 Punkt:
- der Wert (die Ausgabe) des Knotens der vorherigen Schicht bzw. der Eingabewert,
- das Gewicht der Verbindung.
fc) Erkläre, was in einem inneren Knoten passiert. (4 Punkte)
Je Schritt 1 Punkt:
- Der Knoten berechnet die Summe aller gewichteten Eingaben (Wert × Gewicht).
- Die Summe wird durch Addition eines Bias-Werts nach oben oder unten verschoben.
- Das Ergebnis wird durch eine Aktivierungsfunktion (z. B. ReLU oder Sigmoid) transformiert.
- Der transformierte Wert wird an alle Knoten der nächsten Schicht weitergegeben.
fd) Ein Knoten der ersten verdeckten Schicht erhält die Eingabewerte x_1 = 0{,}8, x_2 = 0{,}1 und x_3 = 0{,}6 über Verbindungen mit den Gewichten 0{,}5, -1{,}2 und 0{,}9. Sein Bias beträgt 0{,}2.
Berechne den Wert, den der Knoten weitergibt, wenn er (1) die Aktivierungsfunktion ReLU \max(0, z) und (2) die Sigmoidfunktion \sigma(z) = \frac{1}{1 + e^{-z}} verwendet. (3 Punkte)
1 Punkt für z, je 1 Punkt für die beiden Ausgaben:
Geg.: x1 = 0,8; x2 = 0,1; x3 = 0,6; w1 = 0,5; w2 = −1,2; w3 = 0,9; b = 0,2Ges.: Nettoeingabe z
z = x_1 w_1 + x_2 w_2 + x_3 w_3 + b = 0{,}8 \cdot 0{,}5 + 0{,}1 \cdot (-1{,}2) + 0{,}6 \cdot 0{,}9 + 0{,}2 = 0{,}4 - 0{,}12 + 0{,}54 + 0{,}2 = 1{,}02
Ges.: Ausgabe mit ReLU
\text{ReLU}(1{,}02) = \max(0;\ 1{,}02) = \underline{\underline{1{,}020}}
Ges.: Ausgabe mit Sigmoid
\sigma(1{,}02) = \frac{1}{1 + e^{-1{,}02}} \approx \frac{1}{1 + 0{,}361} \approx \underline{\underline{0{,}735}}
g) Ein zweites Projekt betrifft den Filter „barrierefreier Treffpunkt“, den sich unter anderem Nutzerin Lea Schmitt wünscht, die einen Rollstuhl nutzt. Wer eine Aktivität anlegt, lädt oft Fotos des Treffpunkts hoch. Ein Modell soll auf diesen Fotos erkennen, ob der Zugang Stufen hat, und dann bei der Organisatorin oder dem Organisator nachfragen.
ga) Nenne ein Verfahren, mit dem sich die Fotos klassifizieren lassen, und begründe Deine Auswahl mit einem Argument. (3 Punkte)
1 Punkt für das Verfahren, 2 Punkte für die Begründung, zum Beispiel:
Neuronales Netz, genauer ein Convolutional Neural Network (CNN): Es erkennt in den Pixeln selbstständig Muster (Kanten von Stufen, Geländer, Rampen) und lernt durch Training mit beschrifteten Beispielfotos (Backpropagation), diese den Klassen „mit Stufen“ und „ohne Stufen“ zuzuordnen.
(Andere plausible Verfahren mit Begründung sind möglich, z. B. ein Random Forest auf zuvor extrahierten Bildmerkmalen.)
gb) Anh Nguyen (UX) fragt, warum man dafür nicht einfach ein Programm mit festen Regeln schreibt.
Beschreibe zwei Gründe, warum neuronale Netze für diese Aufgabe geeignet sind. (4 Punkte)
Je Grund 2 Punkte, zum Beispiel:
Vielfalt der Fotos: Treppen und Eingänge sehen sehr unterschiedlich aus (Material, Anzahl der Stufen, Perspektive, Tageslicht, Schnee, Personen im Bild). Neuronale Netze lernen durch Training, robust mit dieser Vielfalt umzugehen.
Lernen aus Beispielen statt Regeln: Ein regelbasiertes Programm müsste jede Ausnahme ausdrücklich beschreiben; ein neuronales Netz findet die passenden Merkmale anhand beschrifteter Beispiele selbst.
Anpassbar: Zeigen sich neue Fälle (z. B. mobile Rampen), wird das Netz mit weiteren Fotos nachtrainiert, statt den Code umzuschreiben.
gc) Bei der Recherche findest Du folgenden Text:
Convolutional neural networks (CNNs) are the standard architecture for image recognition. Instead of connecting every pixel to every neuron, a CNN uses small learnable filters that are applied to all parts of an image. The same filter can therefore detect a step edge or a handrail no matter where it appears in the photo, and far fewer weights have to be trained. Early layers respond to simple features such as lines and corners, while deeper layers combine them into complex objects such as stairs, ramps or doors. Because neighbouring pixels stay together, the network keeps the spatial context of a scene.
Beschreibe mithilfe des Textes zwei Gründe, warum sich ein CNN für die Erkennung von Stufen auf Treffpunktfotos besonders gut eignet. (4 Punkte)
Je Grund 2 Punkte (Aussage aus dem Text und Bezug zur Situation), zum Beispiel:
Erkennung unabhängig von der Position: Dieselben kleinen Filter laufen über das ganze Bild („applied to all parts of an image“). Eine Stufenkante oder ein Handlauf wird deshalb erkannt, egal ob der Eingang links, rechts oder am Bildrand zu sehen ist; das ist bei Fotos von Laien wichtig.
Vom Einfachen zum Komplexen: Frühe Schichten erkennen Linien und Ecken, tiefere setzen sie zu Treppen, Rampen oder Türen zusammen. Stufen bestehen gerade aus solchen parallelen Kanten.
Räumlicher Zusammenhang bleibt erhalten: Benachbarte Pixel bleiben zusammen („keeps the spatial context“); das Netz kann erkennen, ob die Stufen vor der Tür liegen.
Weniger Gewichte: Es müssen deutlich weniger Gewichte trainiert werden; das spart Trainingsdaten und Rechenzeit, was für ein kleines Start-up relevant ist.
Aufgabe 3.2: Modelle für die Rücksendeprognose bewerten (Profilkompetenz)
(ca. 23 min Bearbeitungszeit)
Die CSB-Rad GmbH in Bielefeld verkauft Fahrräder und Zubehör in ihrem Onlineshop. Geschäftsführer Cem Sarıkaya lässt untersuchen, welche Bestellpositionen voraussichtlich zurückgeschickt werden, damit die Kundschaft vorher besser beraten werden kann. Du arbeitest als Auszubildende*r der Fachinformatik für Daten- und Prozessanalyse im Projektteam. Zwei Modelle wurden trainiert: ein Entscheidungsbaum mit höchstens fünf Ebenen und ein Random Forest. Beide werden nun mit denselben 2.000 Testdatensätzen geprüft, die beim Training nicht verwendet wurden. Davon wurden 240 Positionen tatsächlich zurückgeschickt. Die gesuchte Klasse „Rücksendung“ gilt als positiv.
a) Für den Entscheidungsbaum liegt folgendes Ergebnis vor: Von den 240 tatsächlich zurückgeschickten Positionen hat er 144 als Rücksendung vorhergesagt. Insgesamt hat er 460 Positionen als Rücksendung vorhergesagt.
Stelle die Konfusionsmatrix des Entscheidungsbaums auf, indem Du die vier Felder ausfüllst. (4 Punkte)
| Entscheidungsbaum, N = 2.000 | Vorhersage negativ (keine Rücksendung) | Vorhersage positiv (Rücksendung) |
|---|---|---|
| tatsächlich negativ | TN = | FP = |
| tatsächlich positiv | FN = | TP = |
Je richtiges Feld 1 Punkt:
- TP = 144 (Rücksendung richtig vorhergesagt)
- FN = 240 − 144 = 96 (Rücksendung übersehen)
- FP = 460 − 144 = 316 (Rücksendung vorhergesagt, aber behalten)
- TN = 2.000 − 144 − 96 − 316 = 1.444
| Entscheidungsbaum, N = 2.000 | Vorhersage negativ | Vorhersage positiv |
|---|---|---|
| tatsächlich negativ | TN = 1.444 | FP = 316 |
| tatsächlich positiv | FN = 96 | TP = 144 |
b) Für die Präsentation sollen die Kennzahlen kurz erklärt werden.
Ordne jeder Kennzahl die passende Interpretation zu. (3 Punkte)
| Kennzahl | Interpretation | |
|---|---|---|
| Accuracy = \frac{TP + TN}{\text{alle}} | (1) Anteil der tatsächlich behaltenen Positionen, die richtig als „keine Rücksendung“ erkannt werden | |
| Sensitivity = \frac{TP}{TP + FN} | (2) Anteil der als Rücksendung vorhergesagten Positionen, die wirklich zurückgeschickt werden | |
| Precision = \frac{TP}{TP + FP} | (3) Anteil aller Positionen, die richtig eingeordnet werden | |
| Specificity = \frac{TN}{TN + FP} | (4) Anteil der tatsächlichen Rücksendungen, die das Modell findet |
Je richtige Zuordnung 0,75 Punkte:
- Accuracy → (3)
- Sensitivity → (4)
- Precision → (2)
- Specificity → (1)
c) Berechne für den Entscheidungsbaum Accuracy, Sensitivity und Precision. Gib den Rechenweg an. (6 Punkte)
Je Kennzahl 1 Punkt für den Ansatz, 1 Punkt für das Ergebnis:
Geg.: TP = 144; FN = 96; FP = 316; TN = 1.444; N = 2.000Ges.: Accuracy
\text{Accuracy} = \frac{TP + TN}{N} = \frac{144 + 1.444}{2.000} = \frac{1.588}{2.000} = \frac{397}{500} = \underline{\underline{0{,}794 = 79{,}4\,\%}}
Ges.: Sensitivity
\text{Sensitivity} = \frac{TP}{TP + FN} = \frac{144}{144 + 96} = \frac{144}{240} = \frac{3}{5} = \underline{\underline{0{,}600 = 60{,}0\,\%}}
Ges.: Precision
\text{Precision} = \frac{TP}{TP + FP} = \frac{144}{144 + 316} = \frac{144}{460} = \frac{36}{115} \approx \underline{\underline{0{,}313 = 31{,}3\,\%}}
d) Für den Random Forest hat Dein Team bereits ausgewertet:
| Random Forest, N = 2.000 | Vorhersage negativ | Vorhersage positiv |
|---|---|---|
| tatsächlich negativ | TN = 1.612 | FP = 148 |
| tatsächlich positiv | FN = 72 | TP = 168 |
Daraus ergeben sich Accuracy = 89,0 %, Sensitivity = 70,0 % und Precision ≈ 53,2 %. In der Dokumentation der verwendeten Bibliothek steht:
A random forest combines many decision trees. Each tree is trained on a random sample of the training data and only sees a random subset of the features at each split. To classify a new case, every tree casts a vote, and the class with the most votes becomes the prediction of the forest. Errors of single trees tend to cancel each other out, which makes the forest more robust than one large tree.
Ein vereinfachter Random Forest mit fünf Bäumen beurteilt die Bestellposition „Fahrradhelm Urban, Größe M“:
| Baum | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| Ergebnis | Rücksendung | keine Rücksendung | Rücksendung | keine Rücksendung | Rücksendung |
da) Nenne das Ergebnis des Random Forest für diese Bestellposition und begründe es mithilfe des Textes. (3 Punkte)
1 Punkt für das Ergebnis, 2 Punkte für die Begründung:
Ergebnis: Rücksendung. Laut Text gibt jeder Baum eine Stimme ab („every tree casts a vote“), und die Klasse mit den meisten Stimmen wird die Vorhersage des Waldes („the class with the most votes“). Drei von fünf Bäumen sagen „Rücksendung“, zwei „keine Rücksendung“; die Mehrheit entscheidet.
db) Begründe, welches der beiden Modelle nach den Kennzahlen das bessere ist. (2 Punkte)
2 Punkte für eine Begründung mit den Kennzahlen:
Der Random Forest ist besser: Er ist bei allen drei Kennzahlen überlegen (Accuracy 89,0 % statt 79,4 %, Sensitivity 70,0 % statt 60,0 %, Precision ≈ 53,2 % statt ≈ 31,3 %). Er findet also mehr der tatsächlichen Rücksendungen und erzeugt deutlich weniger Fehlalarme. Beide wurden auf denselben Testdaten geprüft, der Vergleich ist daher zulässig.
e) Für das Modell sind zwei Einsätze im Gespräch.
ea) Wird eine Rücksendung vorhergesagt, soll die Bestellung angehalten werden, bis der Kundenservice die Kundin oder den Kunden angerufen und beraten hat. Der Kundenservice hat dafür nur wenige Stunden pro Woche, und jeder Anruf verzögert die Lieferung.
eb) Dasselbe Verfahren soll später in der Montage Fotos der Bremsleitungen jedes Rads auswerten. Meldet das Modell „fehlerhaft verlegt“, prüft eine Fachkraft der Werkstatt das Rad von Hand; Räder ohne Meldung werden ausgeliefert.
Nenne für beide Einsätze die Kennzahl, die vorrangig maximiert werden sollte, und begründe Deine Wahl. (4 Punkte)
Je Einsatz 1 Punkt für die Kennzahl, 1 Punkt für die Begründung:
ea) Precision: Teuer ist hier der Fehlalarm (FP): Jede fälschlich angehaltene Bestellung kostet Zeit im knappen Kundenservice, verzögert die Lieferung und verärgert Kundschaft, die die Ware behalten hätte. Die als Rücksendung markierten Fälle sollen also möglichst oft wirklich Rücksendungen sein. Eine übersehene Rücksendung ist dagegen nur der heutige Normalfall.
eb) Sensitivity: Teuer ist hier der übersehene Fall (FN): Ein Rad mit fehlerhaft verlegter Bremsleitung würde ausgeliefert, das ist ein Sicherheitsrisiko für die Fahrenden und ein Haftungsrisiko. Ein Fehlalarm kostet nur eine zusätzliche Sichtprüfung.
f) Werkstattleiter Bastian Ludwig meint: „Ein Modell, das einfach immer ‚keine Rücksendung‘ vorhersagt, hätte bei Euren Testdaten schon 88 % Accuracy. Das ist fast so gut wie Euer Random Forest, und wir sparen uns das ganze Projekt.“
Nimm Stellung zu dieser Aussage. (3 Punkte)
3 Punkte für eine begründete Stellungnahme, zum Beispiel:
Die Rechnung stimmt: \frac{1.760}{2.000} = 88\,\%, weil nur 12 % der Positionen zurückgeschickt werden. Die Schlussfolgerung ist aber falsch. Bei so ungleich verteilten Klassen sagt die Accuracy wenig aus: Das Immer-nein-Modell hat eine Sensitivity von 0 %, es findet keine einzige Rücksendung und ermöglicht damit keine einzige Beratung. Das Projektziel (weniger Rücksendungen durch Beratung) wäre nicht erreichbar. Entscheidend sind hier Sensitivity und Precision, und dort ist der Random Forest mit 70,0 % und ≈ 53,2 % deutlich besser.
Links und weitere Informationen
Neuronale Netze und Modellbewertung (zugehöriger Artikel)
Hinweis zur Nachnutzung als Open Educational Resource (OER)
Dieser Artikel und seine Texte, Bilder, Grafiken, Code und sonstiger Inhalt sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Nennung gemäß TULLU-Regel bitte wie folgt: “Übungsaufgaben zu neuronalen Netzen und Modellbewertung” von oer-informatik.de (H. Stein), Lizenz: CC BY 4.0. Der Artikel wurde unter https://oer-informatik.de/neuronale-netze-uebungsaufgaben veröffentlicht, die Quelltexte sind in weiterverarbeitbarer Form verfügbar im Repository unter https://gitlab.com/oer-informatik/daten-ki/datenanalyse-ki. Erstellt mit KI-Assistenz; von mir umfassend redaktionell überarbeitet, geprüft und freigegeben. Stand: 27.10.2026.
[Kommentare zum Artikel lesen, schreiben] / [Artikel teilen] / [gitlab-Issue zum Artikel schreiben]
