Informatik KI – Entscheidungsbäume und Random Forest
Entscheidungsbäume und Random Forests gehören zu den wichtigsten überwachten Lernverfahren für Klassifikation und Regression. Nach dem Lernen dieser Karten kennst du Splitting-Kriterien wie Gini und Entropie, verstehst Overfitting-Prävention durch Pruning und Bagging und kannst Random-Forest-Hyperparameter wie n_estimators und max_depth gezielt einsetzen.
Lernziele
Was du in dieser Lektion lernst
- Was ist ein Entscheidungsbaum im Machine Learning?
- Welche Splitting-Kriterien nutzt ein Entscheidungsbaum bei Klassifikation?
- Wie erfolgt das Splitting bei Regressionsbäumen?
- Warum neigen tiefe Entscheidungsbäume zu Overfitting?
Lerntipp
Zeichne einen kleinen Entscheidungsbaum von Hand für einen Datensatz mit 3 Merkmalen – so verstehst du rekursives Splitting und Informationsgewinn intuitiver als durch reines Auswendiglernen der Formeln.
Hinweis: Der Inhalt dieser Seite wurde mit einem KI-Modell erzeugt und nicht von Fachmenschen geprüft. Nutze die Karten als Lernhilfe und gleiche medizinische oder rechtliche Aussagen mit deinen Unterlagen ab.
Karteikarten
Alle 14 Lernkarten
Tippe auf eine Karte, um die Antwort aufzudecken
Häufige Fragen
Die wichtigsten Fragen zu Informatik KI – Entscheidungsbäume und Random Forest
- Was ist ein Entscheidungsbaum im Machine Learning?
- Ein Entscheidungsbaum ist ein hierarchisches Modell, das Daten durch rekursive binäre Splits basierend auf Merkmalswerten in homogene Teilmengen unterteilt.
- Welche Splitting-Kriterien nutzt ein Entscheidungsbaum bei Klassifikation?
- Bei Klassifikation werden Gini-Impurität und Entropie (Informationsgewinn) als Splitting-Kriterien verwendet, um die Reinheit der Kindknoten zu maximieren.
- Wie erfolgt das Splitting bei Regressionsbäumen?
- Regressionsbäume minimieren den mittleren quadratischen Fehler (MSE) oder mittleren absoluten Fehler (MAE) in den resultierenden Kindknoten als Splitting-Kriterium.
- Warum neigen tiefe Entscheidungsbäume zu Overfitting?
- Tiefe Bäume memorieren Trainingsdaten bis auf Blatt-Ebene, erfassen Rauschen statt Muster und generalisieren schlecht auf unbekannte Testdaten.
- Was bewirkt Pruning bei Entscheidungsbäumen?
- Pruning entfernt verzweigte Knoten, die die Validierungsleistung nicht verbessern – Pre-Pruning stoppt früh, Post-Pruning kürzt nachträglich.
Warum Atrio?
- FSRS-5 Spaced Repetition
- Der Algorithmus plant jede Wiederholung anhand deiner eigenen Lernhistorie und stellt Karten kurz bevor du sie vergisst – das reduziert unnötige Wiederholungen.
- KI-Import
- Notizen, Skripte und PDFs in Sekunden in Lernkarten verwandeln – genau wie diese Seite automatisch entsteht.
- Prüfungsplanung
- Termine hinterlegen und Atrio berechnet rückwärts, wie viele Karten du pro Tag lernen musst – ohne Stress.
Interaktiv lernen
Diese 14 Karten jetzt interaktiv in der Atrio-App lernen
Atrio zeigt dir jede Karte dann, wenn du sie fast vergessen hättest – damit bleibt genau das hängen, was du lernst.
Starter-Plan kostenlos – keine Kreditkarte erforderlich.