Teil D · KI im Einsatz · Lektion 13
Algorithmen im Überblick
Geprüft am 20.11.2026
Es gibt nicht „den besten“ Algorithmus. Gewählt wird nach Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit.
Für jede Aufgabe gibt es das passende Werkzeug im Werkzeugkasten: Schraubenzieher, Zange, Säge. Mit allem kann man irgendwie arbeiten – aber nicht mit allem gleich gut.
Ein Algorithmus ist eine eindeutige Handlungsvorschrift in endlich vielen Schritten. Im ML unterscheidet man den Lernalgorithmus (wie trainiert wird) vom fertigen Modell (dem Ergebnis mit gelernten Parametern).
| Familie | Idee | Typisch für | Erklärbar? |
|---|---|---|---|
| Lineare Modelle (lineare, logistische Regression) | gewichtete Summe der Merkmale | Prognosen, Wahrscheinlichkeiten, Basismodell | gut |
| Entscheidungsbäume | Folge von Ja/Nein-Fragen | Tabellendaten, Regeln für Fachabteilungen | gut |
| Ensembles (Random Forest, Gradient Boosting) | viele Bäume stimmen ab | Tabellendaten mit hoher Genauigkeit | mittel |
| Nachbarschaftsverfahren (k-nächste Nachbarn) | „Sag mir, wer deine Nachbarn sind“ | Empfehlungen, kleine Datensätze | mittel |
| Clusterverfahren (k-Means, DBSCAN) | ähnliche Punkte gruppieren | Segmente, Anomalien | mittel |
| Neuronale Netze (Deep Learning) | viele Schichten künstlicher Neuronen | Bild, Sprache, Text, sehr große Daten | gering |
Faustregel: Bei Tabellendaten zuerst ein einfaches, erklärbares Modell als Baseline – oft schlagen Gradient-Boosting-Verfahren dort neuronale Netze. Bei Bildern, Sprache und Text sind neuronale Netze Stand der Technik.
Es gibt nicht „den besten“ Algorithmus. Gewählt wird nach Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit.
Begründen Sie eine Verfahrenswahl immer mit mindestens zwei Kriterien aus der Situation, z. B.: „Tabellendaten mit 20.000 Zeilen und Erklärungspflicht gegenüber dem Kunden – daher Entscheidungsbaum oder logistische Regression statt neuronalem Netz.“
Hinweise für Lehrende
Die Verfahren werden in Modul 3 bis 5 einzeln erklärt und gerechnet. Hier reicht die Landkarte. Wichtig für Führungskräfte: Ein erklärbares Modell mit 2 % weniger Genauigkeit ist oft die bessere Geschäftsentscheidung.
Häufige Fragen zu „Algorithmen im Überblick“
Welche Algorithmen des maschinellen Lernens sollte ich kennen?
Für die Prüfung wichtig sind lineare und logistische Regression, Entscheidungsbäume, Ensembles wie Random Forest und Gradient Boosting, k-nächste Nachbarn, Clusterverfahren wie k-Means sowie neuronale Netze.
Welcher Algorithmus ist der beste?
Es gibt keinen besten. Die Wahl hängt von Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit ab; bei Tabellendaten sind Baum-Ensembles oft sehr stark, bei Bildern und Sprache neuronale Netze.
Was ist eine Baseline?
Ein einfaches Vergleichsmodell, an dem sich aufwendigere Modelle messen lassen müssen. Ist ein komplexes Modell kaum besser als die Baseline, lohnt sich der Aufwand meist nicht.