Codepfad
1 Linear Regression 2 Gradient Descent 3 Predictive Modeling
Komplexität: 4 / 8
Trainingsfehler: 0.0
Testfehler: 0.0
Interpretation: Ausgewogen
Kurvendiagramm: Punkte = Beobachtungen | Linie = Modell bei aktueller Komplexität
x-Achse: Uhrzeit-Index (0-8) | y-Achse: Fahrzeit (Minuten) | Datengrundlage: synthetische Beobachtungstage

Fehlervergleich

Training0
Test0

Interaktive Steuerung: Modell-Komplexität

Komplexität (1 = sehr simpel, 8 = sehr flexibel) Was? Steuert, wie flexibel die Modellkurve auf Trainingspunkte reagiert. Warum? Damit ihr Underfitting, Sweet Spot und Overfitting sichtbar gegeneinander abwägen könnt. 4
Merksatz: Mit mehr Komplexität sinkt oft der Trainingsfehler. Entscheidend ist aber der Fehler auf neuen Daten.

Vorteile und Grenzen

  • Bias hoch (zu simpel): Modell verpasst wichtige Struktur.
  • Variance hoch (zu komplex): Modell reagiert zu stark auf Zufallsrauschen.
  • Ziel: Eine Komplexität wählen, die auf neuen Daten stabil bleibt.
  • Praxis: Immer mit Validierung/Testset prüfen, nicht nur auf Training schauen.
  • Didaktik: Teilnehmende lernen, warum "mehr KI" nicht automatisch besser ist.