{"id":5224,"date":"2019-03-01T08:00:16","date_gmt":"2019-03-01T07:00:16","guid":{"rendered":"https:\/\/blog.pikon.de\/?p=3467"},"modified":"2025-11-21T12:40:52","modified_gmt":"2025-11-21T11:40:52","slug":"machine-learning-so-verstehen-sie-die-black-box","status":"publish","type":"post","link":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/","title":{"rendered":"Machine-Learning: So verstehen Sie die Black-Box"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"5224\" class=\"elementor elementor-5224\" data-elementor-settings=\"{&quot;element_pack_global_tooltip_width&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;size&quot;:&quot;&quot;,&quot;sizes&quot;:[]},&quot;element_pack_global_tooltip_width_tablet&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;size&quot;:&quot;&quot;,&quot;sizes&quot;:[]},&quot;element_pack_global_tooltip_width_mobile&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;size&quot;:&quot;&quot;,&quot;sizes&quot;:[]},&quot;element_pack_global_tooltip_padding&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true},&quot;element_pack_global_tooltip_padding_tablet&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true},&quot;element_pack_global_tooltip_padding_mobile&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true},&quot;element_pack_global_tooltip_border_radius&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true},&quot;element_pack_global_tooltip_border_radius_tablet&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true},&quot;element_pack_global_tooltip_border_radius_mobile&quot;:{&quot;unit&quot;:&quot;px&quot;,&quot;top&quot;:&quot;&quot;,&quot;right&quot;:&quot;&quot;,&quot;bottom&quot;:&quot;&quot;,&quot;left&quot;:&quot;&quot;,&quot;isLinked&quot;:true}}\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-32e0c13b elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"32e0c13b\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-48a583ad\" data-id=\"48a583ad\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-445d1fad elementor-widget elementor-widget-text-editor\" data-id=\"445d1fad\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>K\u00fcnstliche Neuronale Netze sind momentan in aller Munde. Auch wir haben uns in einem vorherigen Artikel zum Thema <a href=\"https:\/\/www.pikon.com\/de\/leistungen\/beratung\/data-science\/\" target=\"_blank\" rel=\"noopener\">Data Science<\/a>\u00a0bereits\u00a0mit der\u00a0<a href=\"https:\/\/www.pikon.com\/de\/wie-sie-mit-data-science-smart-planen\/\">Absatzplanung<\/a>\u00a0als konkretem Anwendungsbeispiel besch\u00e4ftigt.<\/p><p><span style=\"color: var( --e-global-color-text ); font-family: var( --e-global-typography-text-font-family ), Sans-serif; font-weight: var( --e-global-typography-text-font-weight );\">Aber<\/span><\/p><ul><li>k\u00f6nnen wir Modellen vertrauen, die viel zu komplex sind, um sie zu verstehen?<\/li><li>Wie k\u00f6nnen wir sicherstellen, dass unsere maschinenunterst\u00fctzten Entscheidungen nicht auf unethischer Basis getroffen werden?<\/li><li>Wie k\u00f6nnen wir feststellen, welche Faktoren einen wesentlichen Einfluss auf den Output haben?<\/li><\/ul><p>Ein Ansatz, um diese Fragen zu beantworten, sind Methoden zur Interpretation von Machine-Learning-Modellen.<\/p><h2>Verschiedene Modellans\u00e4tze f\u00fcr Maschinelles Lernen<\/h2><p>Im <a href=\"https:\/\/www.pikon.com\/de\/kuenstliche-intelligenz-als-werkzeug-nutzen\/\" target=\"_blank\" rel=\"noopener noreferrer\">Maschinellen Lernen<\/a> wird ein Modell bzw. ein Algorithmus mit Daten dazu trainiert, Vorhersagen treffen zu k\u00f6nnen. Es geht also darum, dass ein Modell aus der Datengrundlage Erfahrungen zieht, die danach auf neue Daten angewandt werden k\u00f6nnen. Das Modell lernt demnach Strukturen in den Daten zu erkennen.<\/p><p>Ein Beispiel f\u00fcr solch ein Modell ist eine Klassifizierung. Das kann eine Einteilung von Kunden in K\u00e4uferprofile sein, Objekterkennung auf Bildern oder eine Themeneinteilung von Artikeln. Dabei ist es z.B. nicht immer nur interessant, in welches K\u00e4uferprofil ein Kunde eingeteilt wird, sondern auch die Kausalit\u00e4ten zu verstehen, um vorhersehende Ma\u00dfnahmen zu treffen.<\/p><p>Ein Datensatz besteht meist aus vielen Merkmalen mit unterschiedlicher Auspr\u00e4gung. Das k\u00f6nnen numerische Werte sein (Zeitangaben, Absatzzahlen \u2026) oder kategorische Merkmale (L\u00e4nder, Branchen \u2026).<\/p><p>Von einigen Machine-Learning-Modellen l\u00e4sst sich direkt ablesen, welchen Einfluss ein Merkmal auf die Vorhersage hat. Das gilt u.a. f\u00fcr Regressionsmodelle und Entscheidungsb\u00e4ume (siehe Grafik). Wenn die Anzahl der Merkmale, die in das Modell einflie\u00dfen, gering ist, k\u00f6nnen die Modelle visualisiert werden und dadurch Kausalit\u00e4ten erkannt werden.<\/p><figure id=\"attachment_3472\" aria-describedby=\"caption-attachment-3472\" style=\"width: 1191px\" class=\"wp-caption alignnone\"><img fetchpriority=\"high\" decoding=\"async\" class=\"size-full wp-image-3472\" src=\"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Entscheidungsbaum.png\" alt=\"Eintscheidungsbaum f\u00fcr eine Kaufentscheidung\" width=\"1201\" height=\"648\" \/><figcaption id=\"caption-attachment-3472\" class=\"wp-caption-text\">Ein Entscheidungsbaum, der bestimmen soll, ob ein Kunde das Produkt kaufen wird anhand bestimmter Merkmale. In diesem Beispiel scheint das Alter der entscheidende Faktor f\u00fcr die Kaufentscheidung zu sein.<\/figcaption><\/figure><p>Auf der anderen Seite gibt es viele Machine-Learning-Modelle, die sehr gute Ergebnisse liefern, aber zu komplex sind, um die Einflussfaktoren abzulesen. Hierzu geh\u00f6ren Support Vector Machines, die unterschiedliche Klassen durch Ebenen unterteilen, Ensemble-Methoden, in denen mehrere Machine-Learning-Modelle demokratisch abstimmen und K\u00fcnstliche Neuronale Netze, die als viele lineare Regressionen in Ebenen verstanden werden k\u00f6nnen.<\/p><p>Die Performance dieser Modelle ist in der Regel am besten, wenn die Datenmenge gro\u00df genug ist. Aber wie kann man einem Modell im produktiven Einsatz trauen, das man nicht verstehen kann?<\/p><h2>Beurteilung des Outputs der Modelle nach der Trainingsphase<\/h2><p>Normalerweise werden Machine-Learning-Modelle auf Trainingsdaten trainiert, gegebenenfalls werden Validierungsdaten zum Modell-Tuning verwendet. Die Performance wird an Testdaten gemessen, also Daten, bei denen das Ergebnis bereits bekannt ist. Hierbei ist es wichtig, dass das Modell diese Testdaten <strong>nicht<\/strong> kennt, also nicht mit diesen trainiert wurde. Der Output des Modells f\u00fcr diese Daten wird dann mit den tats\u00e4chlich beobachteten Ergebnissen verglichen. Nur so erh\u00e4lt man ein realistisches Bild der Performance.<\/p><p>Es gibt unterschiedliche Qualit\u00e4tsma\u00dfe, die bei Performancetests zum Einsatz kommen: Genauigkeit \/ Trefferquote, unterschiedliche Abstandsma\u00dfe etc. Diese sind ein Ausdruck f\u00fcr die quantitative Performance des Modells, aber nicht (unbedingt) f\u00fcr die Qualit\u00e4t des Modells.<\/p><p>Dies zeigt sich z.B. bei einer Textklassifikation von Artikeln in die Klassen \u201eChristentum\u201c und \u201eAtheismus\u201c wie dies Marco Tulio Ribeiro in \u201eWhy should I trust you? Explaining the Predictions of any Classifier\u201c beschreibt. In dem genannten Beispiel geht es darum zu erkennen, ob ein Artikel vom Christentum oder vom Atheismus handelt. Mit 94% Genauigkeit werden die Artikel den Themen zugeordnet. Auf den ersten Blick schein das Modell also die Inhalte der Texte sehr gut zu analysieren. Eine qualitative Untersuchung des Modells zeigt jedoch, dass W\u00f6rter wie \u201ePosting\u201c, \u201eHost\u201c und \u201eRe\u201c f\u00fcr einen Text \u00fcber Atheismus sprechen. Diese W\u00f6rter haben aber nichts mit dem Inhalt zu tun und k\u00f6nnen die Modellergebnisse bei neuen Inputdaten verf\u00e4lschen.<\/p><h2>Qualitative Beurteilung durch lokale Vereinfachung<\/h2><p>Ein Ansatz, um komplexe Modelle qualitativ bzw. inhaltlich beurteilen zu k\u00f6nnen, sind Approximationen der Modelle durch interpr\u00e4tierbare (simplere) Modelle, von denen die Einflussfaktoren abgelesen werden k\u00f6nnen.<\/p><p>LIME (Locally Interpretable Model-Agnostic Interpretations) ist eine Variante. Hier wird jegliches Machine-Learning-Modell lokal durch ein lineares Modell approximiert. Insgesamt gibt es mehrere Varianten dieser Modelle, die unterschiedliche St\u00e4rken aufweisen (vgl. Shap, breakDown, Anchors, ICE \/ PDP).<\/p><p>Wenn ein Datenpunkt zur Vorhersage in das Modell gef\u00fcttert wird, werden gleichzeitig auch Vorhersagen mit \u00e4hnlichen Punkten durchgef\u00fchrt. Diese Punkte werden verwendet, um das lineare Modell zu trainieren. F\u00fcr die Vorhersagen wird das originale Black-Box-Modell verwendet. Ergebnis des linearen Modells ist es, die wichtigsten Einflussfaktoren auf die Vorhersage des tats\u00e4chlichen Modells zu bestimmen.<\/p><p>Greifen wir nochmal das Textklassifikationsbeispiel von vorher auf, so l\u00e4sst sich feststellen, welche W\u00f6rter den gr\u00f6\u00dften Einfluss auf die Klassifikation als Artikel \u00fcber Atheismus haben.<\/p><h2>Bessere Verifizierung durch besseres Verst\u00e4ndnis<\/h2><p>Je besser wir die trainierten Machine-Learning-Modelle verstehen, desto besser k\u00f6nnen wir sie verifizieren. Methoden wie LIME helfen, undurchsichtige Modelle zu durchleuchten, zeigen m\u00f6gliche Inkonsistenzen auf und geben uns sogar die Ursachen f\u00fcr bestimmte Vorhersagen. Au\u00dferdem er\u00f6ffnen sie die M\u00f6glichkeit, dass auch Mitarbeiter aus Fachabteilungen Machine-Learning-Modelle teilweise nachvollziehen k\u00f6nnen und in die Validierung miteinbezogen werden k\u00f6nnen.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-2aaded6 elementor-section-height-min-height elementor-section-boxed elementor-section-height-default elementor-section-items-middle\" data-id=\"2aaded6\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-4a0023f\" data-id=\"4a0023f\" data-element_type=\"column\" data-e-type=\"column\" data-settings=\"{&quot;background_background&quot;:&quot;classic&quot;}\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-inner-section elementor-element elementor-element-5f45c87 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"5f45c87\" data-element_type=\"section\" data-e-type=\"section\" data-settings=\"{&quot;background_background&quot;:&quot;classic&quot;}\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-inner-column elementor-element elementor-element-4f33aeb\" data-id=\"4f33aeb\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-66509ae bdt-icon-type-image elementor-position-left elementor-widget__width-initial elementor-vertical-align-top bdt-icon-effect-none elementor-widget elementor-widget-bdt-advanced-icon-box\" data-id=\"66509ae\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"bdt-advanced-icon-box.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"bdt-ep-advanced-icon-box\">\n\n\t\t\t\t\t\t\t\n\t\t\t\t\t<div class=\"bdt-ep-advanced-icon-box-icon\">\n\t\t\t\t<span class=\"bdt-ep-advanced-icon-box-icon-wrap\">\n\n\n\t\t\t\t\t<img decoding=\"async\" width=\"2560\" height=\"1707\" src=\"https:\/\/www.pikon.com\/wp-content\/uploads\/2025\/08\/pexels-tara-winstead-8386440-scaled-e1754311526924.jpg\" class=\"attachment-full size-full\" alt=\"KI Discovery Workshop\" \/>\t\t\t\t<\/span>\n\t\t\t<\/div>\n\t\t\n\t\t\t\t\n\t\t\t<div class=\"bdt-ep-advanced-icon-box-content\">\n\n\t\t\t\t\t\t\t\t\t\t\t<h3 class=\"bdt-ep-advanced-icon-box-title ep-title-\">\n\t\t\t<span >\n\t\t\t\tKI Discovery Workshop\t\t\t<\/span>\n\t\t<\/h3>\n\t\t\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t\t\t\t\t<div class=\"bdt-ep-advanced-icon-box-description\">\n\t\t\t\t\t\t<p>Entdecken Sie, wie KI Ihrem Unternehmen einen echten Mehrwert bieten kann.<\/p><p>\u00a0<\/p><p><a class=\"cta-button\" href=\"https:\/\/www.pikon.com\/de\/doc\/ki-discovery-workshop\/\" target=\"_blank\" rel=\"noopener\">Zum Workshop-Angebot<\/a><\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\n\t\t\n\t\t\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Wenn Sie Ihre Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.<\/p>\n","protected":false},"author":31,"featured_media":5590,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[22,27,48],"tags":[278,462],"class_list":["post-5224","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-all-posts","category-people","category-technology","tag-data-science-de","tag-ki-ai-de","no-featured-image-padding"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.2 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Machine-Learning: So verstehen Sie die Black-Box - PIKON SAP Beratung<\/title>\n<meta name=\"description\" content=\"Nur wenn Sie Ihre Machine-Learning-Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Machine-Learning: So verstehen Sie die Black-Box - PIKON SAP Beratung\" \/>\n<meta property=\"og:description\" content=\"Nur wenn Sie Ihre Machine-Learning-Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/\" \/>\n<meta property=\"og:site_name\" content=\"PIKON SAP Beratung\" \/>\n<meta property=\"article:published_time\" content=\"2019-03-01T07:00:16+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-11-21T11:40:52+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"512\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Albert Schulz\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Machine-Learning: So verstehen Sie die Black-Box - PIKON SAP Beratung","description":"Nur wenn Sie Ihre Machine-Learning-Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/","og_locale":"de_DE","og_type":"article","og_title":"Machine-Learning: So verstehen Sie die Black-Box - PIKON SAP Beratung","og_description":"Nur wenn Sie Ihre Machine-Learning-Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.","og_url":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/","og_site_name":"PIKON SAP Beratung","article_published_time":"2019-03-01T07:00:16+00:00","article_modified_time":"2025-11-21T11:40:52+00:00","og_image":[{"width":1024,"height":512,"url":"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png","type":"image\/png"}],"author":"Albert Schulz","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#article","isPartOf":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/"},"author":{"name":"Albert Schulz","@id":"https:\/\/www.pikon.com\/de\/#\/schema\/person\/ce43661522e4166a80d20377ab161613"},"headline":"Machine-Learning: So verstehen Sie die Black-Box","datePublished":"2019-03-01T07:00:16+00:00","dateModified":"2025-11-21T11:40:52+00:00","mainEntityOfPage":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/"},"wordCount":887,"commentCount":0,"publisher":{"@id":"https:\/\/www.pikon.com\/de\/#organization"},"image":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#primaryimage"},"thumbnailUrl":"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png","keywords":["Data Science","KI \/ AI"],"articleSection":["All posts","People","Technology"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/","url":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/","name":"Machine-Learning: So verstehen Sie die Black-Box - PIKON SAP Beratung","isPartOf":{"@id":"https:\/\/www.pikon.com\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#primaryimage"},"image":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#primaryimage"},"thumbnailUrl":"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png","datePublished":"2019-03-01T07:00:16+00:00","dateModified":"2025-11-21T11:40:52+00:00","description":"Nur wenn Sie Ihre Machine-Learning-Modelle verstehen, k\u00f6nnen Sie auch die Ergebnisse interpretieren und verifizieren.","breadcrumb":{"@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#primaryimage","url":"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png","contentUrl":"https:\/\/www.pikon.com\/wp-content\/uploads\/2019\/02\/Machine-Learning-cCNStock-shutterstock_1052128307.png","width":1024,"height":512},{"@type":"BreadcrumbList","@id":"https:\/\/www.pikon.com\/de\/blog\/machine-learning-so-verstehen-sie-die-black-box\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.pikon.com\/de\/"},{"@type":"ListItem","position":2,"name":"Machine-Learning: So verstehen Sie die Black-Box"}]},{"@type":"WebSite","@id":"https:\/\/www.pikon.com\/de\/#website","url":"https:\/\/www.pikon.com\/de\/","name":"PIKON SAP Beratung","description":"SAP Beratung, SAP ERP Beratung, SAP Unternehmensberatung, SAP Softwareentwicklung, SAP Releasewechsel, SAP Partner, SAP Projekte, SAP Entwicklung, Einf\u00fchrung SAP ERP, Einf\u00fchrung SAP BI, ABAP Programmierung, SAP RollOut, SAP Schulung, SAP Hilfe, SAP Projektmanagement, Non Conformance Costs, NCC, HANA, Performance, Reporting, Business Intelligence, Customer Development, Change Management","publisher":{"@id":"https:\/\/www.pikon.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.pikon.com\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.pikon.com\/de\/#organization","name":"PIKON","url":"https:\/\/www.pikon.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.pikon.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.pikon.com\/wp-content\/uploads\/2016\/07\/PIKON_Logo_NET_RGB.png","contentUrl":"https:\/\/www.pikon.com\/wp-content\/uploads\/2016\/07\/PIKON_Logo_NET_RGB.png","width":1810,"height":489,"caption":"PIKON"},"image":{"@id":"https:\/\/www.pikon.com\/de\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.pikon.com\/de\/#\/schema\/person\/ce43661522e4166a80d20377ab161613","name":"Albert Schulz","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.pikon.com\/wp-content\/uploads\/2020\/10\/cropped-Favicon-1-150x150.png","url":"https:\/\/www.pikon.com\/wp-content\/uploads\/2020\/10\/cropped-Favicon-1-150x150.png","contentUrl":"https:\/\/www.pikon.com\/wp-content\/uploads\/2020\/10\/cropped-Favicon-1-150x150.png","caption":"Albert Schulz"},"url":"https:\/\/www.pikon.com\/de\/blog\/author\/albert-schulz\/"}]}},"_links":{"self":[{"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/posts\/5224","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/users\/31"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/comments?post=5224"}],"version-history":[{"count":14,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/posts\/5224\/revisions"}],"predecessor-version":[{"id":102034,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/posts\/5224\/revisions\/102034"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/media\/5590"}],"wp:attachment":[{"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/media?parent=5224"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/categories?post=5224"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pikon.com\/de\/wp-json\/wp\/v2\/tags?post=5224"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}