Teil B · Wie Maschinen lernen · Lektion 7
Regression
Geprüft am 20.11.2026
Regression = Vorhersage einer Zahl.
Eine Maklerin schätzt den Preis einer Wohnung: größer, neuer und zentraler heißt teurer. Sie gibt eine Zahl an, keinen Daumen hoch oder runter.
Bei der Regression ist die Zielgröße metrisch – eine Zahl auf einer durchgehenden Skala: Preis, Absatzmenge, Temperatur, Restlebensdauer, Lieferzeit. Das Modell lernt, wie sich die Zielgröße mit den Merkmalen verändert.

Beispiel
Ein Modell schätzt den Mietpreis: Miete = 120 € + 11,50 € · Wohnfläche. Für 70 m² ergibt sich 120 + 11,50 · 70 = 925 €. Die Zahl 11,50 heißt: Jeder zusätzliche Quadratmeter erhöht die geschätzte Miete um 11,50 €.
Typische Regressionsaufgaben im Betrieb
- Absatz der nächsten Woche je Filiale schätzen
- Energieverbrauch einer Halle für morgen vorhersagen
- Restlebensdauer eines Lagers in Betriebsstunden
- Bearbeitungszeit eines Auftrags
Wie gut eine Regression ist, misst man mit dem durchschnittlichen Fehler, z. B. MAE oder RMSE (Modul 4).
Regression = Vorhersage einer Zahl.
Hinweise für Lehrende
Lassen Sie das Mietbeispiel im Kopf rechnen. Fragen Sie nach Beispielen aus dem eigenen Betrieb, bei denen eine Zahl geschätzt wird. Die Rechnung selbst (Methode der kleinsten Quadrate) kommt in Modul 3.
Häufige Fragen zu „Regression“
Was ist Regression im maschinellen Lernen?
Regression ist die Vorhersage einer Zahl auf einer durchgehenden Skala, etwa Preis, Absatzmenge, Energieverbrauch oder Restlebensdauer.
Wie deutet man einen Koeffizienten in einem Regressionsmodell?
Er gibt an, um wie viel sich die Vorhersage ändert, wenn das Merkmal um eine Einheit steigt und alles andere gleich bleibt. Bei 11,50 € je Quadratmeter steigt die geschätzte Miete pro zusätzlichem Quadratmeter um 11,50 €.
Woran misst man die Güte einer Regression?
An durchschnittlichen Fehlern wie MAE oder RMSE und am Bestimmtheitsmaß R². Diese Kennzahlen werden in Modul 4 ausführlich behandelt.