Die Performance von Machine Learning Modellen korrekt zu bewerten und zu vergleichen, ist eine anspruchsvolle Aufgabe. In der Literatur wird häufig auf standardisierte Mean-Error-Methoden zurückgegriffen, bei denen einfache Zahlen miteinander verglichen werden. Doch dies kann oft zu fehlerhaften Ergebnissen führen, da die zugrunde liegenden Daten einen viel grösseren Einfluss auf das Mean-Error-Resultat haben können als das eigentliche Modell. In diesem Talk erfährst du, wie man Model Performances richtig analysiert und vergleicht, welche gängigen Pittfalls es gibt und wie man diese erfolgreich umgehen kann.
