#83: Wie gut ist gut genug? Modellgütemaße richtig verstehen

In dieser Folge sprechen Mira und Amit über Modellgütemaße für kontinuierliche Zielvariablen – also darüber, wie man die Qualität von Vorhersagen richtig bewertet. Von MAE und RMSE bis hin zu R² und AIC/BIC: Wir erklären, was die einzelnen Kennzahlen aussagen, wo ihre Grenzen liegen und welche typischen Fallen es gibt. Außerdem geht's um Bias, Robustheit und warum der Kontext entscheidend ist. Und natürlich um die Frage: Welches Gütemaß passt eigentlich zu meinem Modell?

 

**Zusammenfassung**

• Überblick über Gütemaße für kontinuierliche Zielgrößen
• Bias, MAE, MAPE, sMAPE, MSE, RMSE, R², AIC/BIC im Vergleich
• Vor- und Nachteile der einzelnen Metriken
• Typische Fallstricke: Ausreißer, kleine Werte, verzerrte Interpretation
• Tipps zur Auswahl des passenden Gütemaßes für den Use Case
• Bedeutung von Repräsentativität, Validierung und Gewichtung
• Fazit: Kombination mehrerer Gütemaße ist meist die beste Wahl

 

**Links**

• Blogserie zum Bestimmtheitsmaß (R²): https://www.inwt-statistics.de/blog/bestimmtheitsmass_r2-teil1
• #26: A/B-Testing: Erkenntnisse statt Bauchgefühl https://www.podbean.com/ew/pb-6fzpj-143cfb1
• #43: Damit es im Live-Betrieb nicht kracht: Vermeidung von Overfitting & Data Leakage https://www.podbean.com/ew/pb-vw736-15baac0