{"id":173548,"date":"2023-04-02T11:07:52","date_gmt":"2023-04-02T10:07:52","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=173548"},"modified":"2023-10-29T21:06:33","modified_gmt":"2023-10-29T20:06:33","slug":"umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","title":{"rendered":"Umgang mit Problemen bei unausgewogener Klassifizierung &#8211; Teil I"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"173548\" class=\"elementor elementor-173548\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6f9b637d elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"6f9b637d\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-43a2cd5c\" data-id=\"43a2cd5c\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-10732fa8 elementor-widget elementor-widget-heading\" data-id=\"10732fa8\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">Wie geht man mit einer unausgewogenen Klassifizierung um? Teil I<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6b6fb682 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"6b6fb682\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-7264ff9d\" data-id=\"7264ff9d\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-23ba9117 elementor-widget elementor-widget-text-editor\" data-id=\"23ba9117\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Die <strong>Klassifizierung<\/strong> auf unausgewogenen Daten ist ein Klassifizierungsproblem, bei dem die Lernstichprobe eine starke<strong> Disparit\u00e4t zwischen den vorherzusagenden Klassen<\/strong> enth\u00e4lt. Dieses Problem taucht h\u00e4ufig bei bin\u00e4ren Klassifikationsproblemen auf, insbesondere bei der Erkennung von Anomalien.<\/p><p>Dieser Artikel ist in zwei Teile gegliedert: Der erste besch\u00e4ftigt sich mit der Auswahl von Metriken, die f\u00fcr diesen Datentyp typisch sind, der zweite beschreibt detailliert die<strong> Bandbreite an Methoden<\/strong>, die n\u00fctzlich sind, um ein leistungsf\u00e4higes Modell zu erhalten.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-4eed4d5f elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"4eed4d5f\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-2dec04d1\" data-id=\"2dec04d1\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-2a3f4b72 elementor-widget elementor-widget-text-editor\" data-id=\"2a3f4b72\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h2>Teil I: Die Wahl der richtigen Metriken<\/h2>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-565f4485 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"565f4485\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1a84a022\" data-id=\"1a84a022\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-4b4e1c0a elementor-widget elementor-widget-text-editor\" data-id=\"4b4e1c0a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3><span style=\"font-size: 14px;\">Was ist eine Bewertungsmetrik?<\/span><\/h3>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-33f453d5 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"33f453d5\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-6c84ccf8\" data-id=\"6c84ccf8\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-71a4e1b0 elementor-widget elementor-widget-text-editor\" data-id=\"71a4e1b0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Eine Bewertungsmetrik quantifiziert die Leistung eines Vorhersagemodells.<\/p><p>Die Wahl der richtigen Metrik ist daher bei der Bewertung von<a href=\"https:\/\/datascientest.com\/de\/machine-learning-data-sets-top-5-websites\"> Machine-Learning-Modellen<\/a> entscheidend, und die Qualit\u00e4t eines Klassifikationsmodells h\u00e4ngt direkt von der Metrik ab, die zu seiner Bewertung verwendet wird.<\/p><p>Bei Klassifikationsproblemen bestehen die Metriken im Allgemeinen darin, die tats\u00e4chlichen Klassen mit den vom Modell vorhergesagten Klassen zu vergleichen. Sie k\u00f6nnen auch dazu dienen, die vorhergesagten Wahrscheinlichkeiten f\u00fcr diese Klassen zu interpretieren.<\/p><p>Eines der wichtigsten Leistungskonzepte f\u00fcr die Klassifizierung ist die Verwechslungsmatrix, die eine tabellarische <strong>Darstellung der Modellvorhersagen<\/strong> im Vergleich zu den tats\u00e4chlichen Labels ist. Jede Zeile der Verwechslungsmatrix repr\u00e4sentiert die Instanzen einer tats\u00e4chlichen Klasse und jede Spalte repr\u00e4sentiert die Instanzen einer vorhergesagten Klasse.<\/p><p>Nehmen wir als Beispiel eine <strong>bin\u00e4re Klassifizierung<\/strong>, bei der es 100 positive und 70 negative Instanzen gibt.<\/p><p>Die folgende Verwechslungsmatrix entspricht den Ergebnissen, die unser Modell liefert:<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-781d92d8 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"781d92d8\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-beb5856\" data-id=\"beb5856\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-5c4bb3fb elementor-widget elementor-widget-image\" data-id=\"5c4bb3fb\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"288\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image1-.png\" class=\"attachment-large size-large wp-image-173550\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image1-.png 512w, https:\/\/datascientest.com\/de\/files\/2023\/04\/Image1--300x169.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-2e08e5a2 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"2e08e5a2\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-49055146\" data-id=\"49055146\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-4796e8f0 elementor-widget elementor-widget-text-editor\" data-id=\"4796e8f0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Sie gibt einen \u00dcberblick \u00fcber die richtigen und falschen Vorhersagen.<\/p><p>Um diese <strong><a href=\"https:\/\/datascientest.com\/de\/matrix-definition-und-implementierung-in-python\">Matrix<\/a> in einer Metrik<\/strong> zusammenzufassen, kann man die Rate der richtigen Vorhersagen oder accuracy verwenden. Hier ist sie gleich (90+57)\/170 = 0,86.<\/p><p>Die Wahl einer geeigneten Metrik ist nicht bei jedem Machine-Learning-Modell offensichtlich, aber bei Problemen mit unausgewogenen Klassifizierungen ist sie besonders schwierig.<\/p><p>Bei Daten mit einer stark \u00fcberwiegenden Klasse sind herk\u00f6mmliche Algorithmen oft verzerrt, da ihre Verlustfunktionen versuchen, Metriken wie die Rate der guten Vorhersagen zu optimieren, und dabei die Verteilung der Daten au\u00dfer Acht lassen.<\/p><p>Im schlimmsten Fall werden die Minderheitsklassen als Ausrei\u00dfer der Mehrheitsklasse behandelt und der Lernalgorithmus erzeugt einfach einen trivialen Klassifikator, der jedes Beispiel in die Mehrheitsklasse einordnet. Das Modell scheint dann zwar leistungsf\u00e4hig zu sein, aber das spiegelt nur die \u00dcberrepr\u00e4sentation der Mehrheitsklasse wider. Dies wird als paradoxes Akkuracy bezeichnet.<\/p><p>In den meisten F\u00e4llen ist es gerade die Minderheitsklasse, die von gr\u00f6\u00dftem Interesse ist und die man gerne identifizieren w\u00fcrde, wie im Beispiel der Betrugserkennung.<\/p><p>Der Grad der Unausgewogenheit variiert, aber die Anwendungsf\u00e4lle sind h\u00e4ufig: Krankheitssuche, Fehlererkennung, Suchmaschinen, Spam-Filter, gezieltes Marketing etc.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-49c1b42e elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"49c1b42e\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-6d5286f3\" data-id=\"6d5286f3\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-7133873c elementor-widget elementor-widget-text-editor\" data-id=\"7133873c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3><span style=\"font-size: 14px;\">Praxisbeispiel : Churn Rate\u00a0<\/span><\/h3>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-5be833b5 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"5be833b5\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-33ed1fd1\" data-id=\"33ed1fd1\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-7a117313 elementor-widget elementor-widget-text-editor\" data-id=\"7a117313\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Angenommen, ein Dienstleistungsunternehmen m\u00f6chte seine Abwanderungsrate (<strong>Churn Rate<\/strong>) vorhersagen.<\/p><p>Zur Erinnerung: Die <strong>Abwanderungsrate<\/strong> ist das Verh\u00e4ltnis zwischen der Anzahl der verlorenen Kunden und der Gesamtanzahl der Kunden, gemessen \u00fcber einen bestimmten Zeitraum, meist ein Jahr.<\/p><p>Um dies zu erreichen, m\u00f6chte die Firma f\u00fcr jeden Kunden vorhersagen, ob er seinen Vertrag am Ende des Jahres k\u00fcndigen wird.<\/p><p>Wir haben einen <strong>Datensatz<\/strong>, der pers\u00f6nliche Informationen und vertragsbezogene Merkmale f\u00fcr jeden Kunden des Unternehmens f\u00fcr das Jahr X enth\u00e4lt, sowie eine Variable, mit der wir feststellen k\u00f6nnen, ob er seinen Vertrag am Ende des Jahres verl\u00e4ngert hat.<\/p><p>In unseren Daten entspricht die Anzahl der &#8218;Churner&#8216; etwa 11 % der Gesamtzahl der Kunden.<\/p><p>Wir beschlie\u00dfen, ein erstes Modell der logistischen Regression auf unsere vorbereiteten und normalisierten <strong>Daten zu trainieren.<\/strong><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5e111bcf elementor-widget elementor-widget-shortcode\" data-id=\"5e111bcf\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><script src=\"https:\/\/gist.github.com\/Raphkas15\/473a8d6ef5535da5e1c02cdfd1977030.js\"><\/script><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-33bfd97a elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"33bfd97a\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-192f1be5\" data-id=\"192f1be5\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-28082397 elementor-widget elementor-widget-text-editor\" data-id=\"28082397\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><strong>\u00dcberraschung! Unser Code hat eine Quote guter Prognosen von 0,90!<\/strong><\/p><p>Das ist ein sehr guter Wert, aber erinnern wir uns an unser Ziel: Erfolgreiche Vorhersage von Kundenabg\u00e4ngen. Bedeutet dieses Ergebnis, dass das Modell von 10 &#8222;Churnern&#8220; 9 als solche erkennt? <em>Absolut nicht!<\/em><\/p><p>Die einzige Interpretation, die man machen kann, ist, dass 9 von 10 Kunden vom Modell richtig eingestuft wurden.<\/p><p>Um naive Verhaltensweisen eines Modells zu erkennen, ist das effektivste Werkzeug immer noch die <a href=\"https:\/\/datascientest.com\/de\/confusion-matrix\">Verwechslungsmatrix.<\/a><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-15b0b989 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"15b0b989\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-2af171dd\" data-id=\"2af171dd\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-732939b elementor-widget elementor-widget-shortcode\" data-id=\"732939b\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><script src=\"https:\/\/gist.github.com\/Raphkas15\/48118451ce0bfb203caf95c55dd6d8d8.js\"><\/script><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-1055a369 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"1055a369\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-41298aec\" data-id=\"41298aec\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-21abe4d2 elementor-widget elementor-widget-text-editor\" data-id=\"21abe4d2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Ein erster Blick auf die<strong> Verwechslungsmatrix<\/strong> zeigt uns, dass die gute Rate an guten Vorhersagen, die wir erhalten, stark davon beeinflusst wird, wie gut sich das Modell in der dominanten Klasse (0) verh\u00e4lt.<\/p><p>Um das Modell in Bezug auf das gew\u00fcnschte Verhalten in einer <strong>Klasse zu bewerten,<\/strong> k\u00f6nnen wir eine Reihe von Metriken aus der Verwirrungsmatrix verwenden, wie z. B. Genauigkeit, Recall und f1-Score, die weiter unten definiert werden.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-63e921ca elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"63e921ca\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-7d2eebb1\" data-id=\"7d2eebb1\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3b7d8dbb elementor-widget elementor-widget-image\" data-id=\"3b7d8dbb\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"89\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image3.png\" class=\"attachment-large size-large wp-image-173551\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image3.png 512w, https:\/\/datascientest.com\/de\/files\/2023\/04\/Image3-300x52.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-18d4a2b4 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"18d4a2b4\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1e4dfe0b\" data-id=\"1e4dfe0b\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-648049cf elementor-widget elementor-widget-text-editor\" data-id=\"648049cf\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>So f\u00fcr eine bestimmte Klasse:<\/p><p>Eine hohe Genauigkeit und ein hoher Recall -&gt; Die Klasse wurde vom Modell gut erfasst.<\/p><p>Hohe Genauigkeit und niedriger Recall -&gt; Die Klasse wird nicht gut erkannt, aber wenn sie erkannt wird, ist das Modell sehr zuverl\u00e4ssig.<\/p><p>Geringe Genauigkeit und hoher Recall -&gt; Die Klasse wird gut erfasst, enth\u00e4lt aber auch Beobachtungen anderer Klassen.<\/p><p>Eine niedrige Genauigkeit und ein niedriger Recall -&gt; Die Klasse wurde \u00fcberhaupt nicht gut erfasst.<\/p><p>Mit dem F1-Score k\u00f6nnen sowohl die Genauigkeit als auch der Recall gemessen werden.<\/p><p>Im Falle einer bin\u00e4ren Klassifizierung entsprechen Sensitivit\u00e4t und Spezifit\u00e4t dem Recall der positiven bzw. negativen Klasse.<\/p><p>Eine weitere Metrik, der <strong>geometrische Mittelwert (G-mean)<\/strong>, ist n\u00fctzlich f\u00fcr unausgewogene Klassifikationen: Er ist die Wurzel aus dem Produkt von Sensitivit\u00e4t und Spezifit\u00e4t.<\/p><p>Diese verschiedenen Metriken sind \u00fcber das Paket imblearn leicht zug\u00e4nglich.<\/p><p>Die Funktion classification_report_imbalanced() zeigt einen Bericht an, der die Ergebnisse f\u00fcr alle Metriken des Pakets enth\u00e4lt.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-29b97e31 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"29b97e31\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-407a47fd\" data-id=\"407a47fd\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-1ec03e93 elementor-widget elementor-widget-shortcode\" data-id=\"1ec03e93\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><script src=\"https:\/\/gist.github.com\/Raphkas15\/a8f007d33300970f9ea62f19eeaa63bf.js\"><\/script><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-39edd5e1 elementor-widget elementor-widget-text-editor\" data-id=\"39edd5e1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-700333f elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"700333f\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-388080d8\" data-id=\"388080d8\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-21dd2606 elementor-widget elementor-widget-text-editor\" data-id=\"21dd2606\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wir erhalten die folgende Tabelle:<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-4b3de951 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"4b3de951\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-16259b2c\" data-id=\"16259b2c\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-653d3764 elementor-widget elementor-widget-image\" data-id=\"653d3764\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"288\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image2.png\" class=\"attachment-large size-large wp-image-173552\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/Image2.png 512w, https:\/\/datascientest.com\/de\/files\/2023\/04\/Image2-300x169.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-76cf1728 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"76cf1728\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1569364\" data-id=\"1569364\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-b7cb4ce elementor-widget elementor-widget-text-editor\" data-id=\"b7cb4ce\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Die Tabelle zeigt, dass der Recall und der f1-Score der Klasse 1 schlecht sind, w\u00e4hrend sie f\u00fcr die Klasse 0 hoch sind. Dar\u00fcber hinaus ist auch das geometrische Mittel niedrig.<\/p><p>Das trainierte Modell ist daher f\u00fcr unsere <strong>Daten nicht geeignet.<\/strong><\/p><p>In Teil II\u00a0 werden wir die Methoden kennen lernen, mit denen wir viel bessere Ergebnisse erzielen k\u00f6nnen.<\/p><p>M\u00f6chtest Du Deine F\u00e4higkeiten verbessern, um erfolgreiche und zuverl\u00e4ssige Modelle aus <a href=\"https:\/\/datascientest.com\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\">unausgewogenen Datens\u00e4tzen<\/a> zu erstellen? Schau dir alle unsere Lernmodule an!<\/p><p><a href=\"https:\/\/datascientest.com\/de\/terminvereinbarung\">Kontaktiere uns f\u00fcr weitere Informationen!<\/a><\/p><p>Auch interessant:<\/p><ul><li><a href=\"https:\/\/datascientest.com\/de\/api-erstellen-mit-verschiedenen-apps-teil-i\">API&#8217;s erstellen*<\/a><\/li><li><a href=\"https:\/\/datascientest.com\/de\/apache-schulung-wie-lerne-ich-hadoop-spark-und-cassandra\">Apache Schulung<\/a><\/li><li><a href=\"https:\/\/datascientest.com\/de\/unit-tests-in-der-datenanalyse\">Unit-Tests in der Datenanalyse<\/a><\/li><li><a href=\"https:\/\/datascientest.com\/de\/python-fehler-diese-solltest-du-vermeiden\">Python-Fehler<\/a><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Wie geht man mit einer unausgewogenen Klassifizierung um? Teil I Die Klassifizierung auf unausgewogenen Daten ist ein Klassifizierungsproblem, bei dem die Lernstichprobe eine starke Disparit\u00e4t zwischen den vorherzusagenden Klassen enth\u00e4lt. Dieses Problem taucht h\u00e4ufig bei bin\u00e4ren Klassifikationsproblemen auf, insbesondere bei der Erkennung von Anomalien. Dieser Artikel ist in zwei Teile gegliedert: Der erste besch\u00e4ftigt sich [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":173566,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I<\/title>\n<meta name=\"description\" content=\"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I: Vermeide die h\u00e4ufigsten Fehler - Schaue in unseren Artikel\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I\" \/>\n<meta property=\"og:description\" content=\"Wie geht man mit einer unausgewogenen Klassifizierung um? Teil I Die Klassifizierung auf unausgewogenen Daten ist ein Klassifizierungsproblem, bei dem die\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-04-02T10:07:52+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-29T20:06:33+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/04\/klassifizierung.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"555\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Melanie\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Melanie\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"Umgang mit Problemen bei unausgewogener Klassifizierung &#8211; Teil I\",\"datePublished\":\"2023-04-02T10:07:52+00:00\",\"dateModified\":\"2023-10-29T20:06:33+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\"},\"wordCount\":1009,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\",\"url\":\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\",\"name\":\"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-04-02T10:07:52+00:00\",\"dateModified\":\"2023-10-29T20:06:33+00:00\",\"description\":\"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I: Vermeide die h\u00e4ufigsten Fehler - Schaue in unseren Artikel\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\",\"name\":\"Melanie\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"caption\":\"Melanie\"},\"url\":\"https:\/\/datascientest.com\/de\/author\/melaniekrause\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I","description":"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I: Vermeide die h\u00e4ufigsten Fehler - Schaue in unseren Artikel","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:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","og_locale":"de_DE","og_type":"article","og_title":"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I","og_description":"Wie geht man mit einer unausgewogenen Klassifizierung um? Teil I Die Klassifizierung auf unausgewogenen Daten ist ein Klassifizierungsproblem, bei dem die","og_url":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-04-02T10:07:52+00:00","article_modified_time":"2023-10-29T20:06:33+00:00","og_image":[{"width":1024,"height":555,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/04\/klassifizierung.webp","type":"image\/webp"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"6 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"Umgang mit Problemen bei unausgewogener Klassifizierung &#8211; Teil I","datePublished":"2023-04-02T10:07:52+00:00","dateModified":"2023-10-29T20:06:33+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i"},"wordCount":1009,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","url":"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i","name":"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-04-02T10:07:52+00:00","dateModified":"2023-10-29T20:06:33+00:00","description":"Umgang mit Problemen bei unausgewogener Klassifizierung - Teil I: Vermeide die h\u00e4ufigsten Fehler - Schaue in unseren Artikel","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d","name":"Melanie","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","caption":"Melanie"},"url":"https:\/\/datascientest.com\/de\/author\/melaniekrause"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/173548"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=173548"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/173548\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/173566"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=173548"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=173548"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=173548"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}