--- schema_version: "1" id: e85054eede95b58e7208fd4fb87b0346b5eb9d8c992c422c907ff95a9f3b87a8 title: Auswählen eines Vorhersagemodells collection: tableau version: current locale: de-de portal_url: https://docs.salesforce.com/tableau/current/de-de/public/desktop/predictions_choosing_model.md canonical_url: https://help.tableau.com/current/public/desktop/de-de/predictions_choosing_model.htm source_site: help.tableau.com content_type: documentation content_hash: 83f8ef312979cae3e32c2a41319dcbc8de7e5f343c227cb972c8f3aca93a4821 description: Choose a predictive model among linear, regularized, and Gaussian process regression. --- [Zum Hauptinhalt springen](#main-content) # Auswählen eines Vorhersagemodells Die Vorhersagemodellierungsfunktionen unterstützen die lineare Regression, die regularisierte lineare Regression und die gaußsche Prozessregression. Diese Modelle unterstützen verschiedene Anwendungsfälle und Vorhersagetypen und weisen unterschiedliche Einschränkungen auf. ## Unterstützte Modelle ### Lineare Regression Die [lineare Regression](https://en.wikipedia.org/wiki/Linear_regression) (auch als normale Regression der kleinsten Quadrate oder OLS bezeichnet) wird am besten verwendet, wenn es einen oder mehrere Prädiktoren gibt, für die eine lineare Beziehung zwischen der Vorhersage und dem Vorhersageziel besteht, wenn sie nicht von den gleichen zugrunde liegenden Bedingungen beeinflusst werden und nicht zwei Instanzen derselben Daten darstellen (z. B. Verkäufe, die in Dollar und Euro ausgedrückt werden). Die lineare Regression ist das Standardmodell für Vorhersagemodellierungsfunktionen in Tableau. Wenn Sie kein Modell angeben, wird eine lineare Regression verwendet. Sie können dieses Modell explizit angeben, indem Sie **"model=linear"** als erstes Argument in die Tabellenberechnung einbeziehen. #### Beispiel: `MODEL_QUANTILE( "model=linear", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Regularisierte lineare Regression Die [regularisierte lineare Regression](https://en.wikipedia.org/wiki/Regularized_least_squares) wird am besten verwendet, wenn es eine ungefähre lineare Beziehung zwischen zwei oder mehr unabhängigen Variablen gibt, was auch als [Multikollinearität](https://en.wikipedia.org/wiki/Multicollinearity) bezeichnet wird. Dies ist häufig in realen Datensätzen der Fall. Um anstelle der standardmäßigen linearen Regression dieses Modell zu verwenden, fügen Sie **"model=rl"** als erstes Argument in die Tabellenberechnung ein. #### Beispiel: `MODEL_QUANTILE( "model=rl", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Gaußsche Prozessregression Die [gaußsche Prozessregression](https://en.wikipedia.org/wiki/Gaussian_process) wird am besten verwendet, wenn Vorhersagen über eine fortlaufende Domäne wie Zeit oder Raum hinweg generiert werden oder wenn eine nichtlineare Beziehung zwischen der Variablen und dem Vorhersageziel besteht. Die gaußsche Prozessregression in Tableau muss eine einzige **geordnete** Dimension als Prädiktor aufweisen, kann jedoch mehrere **ungeordnete** Dimensionen als Prädiktoren enthalten. Beachten Sie, dass in der gaußschen Prozessregression in Tableau Kennzahlen nicht als Prädiktoren verwendet werden können. Um anstelle der standardmäßigen linearen Regression dieses Modell zu verwenden, fügen Sie **"model=gp"** als erstes Argument in die Tabellenberechnung ein. **Hinweis:** Eine _geordnete_ Dimension ist eine beliebige Dimension, deren Werte sequenziert werden können, z. B. MONAT. Eine _ungeordnete_ Dimension ist eine Dimension, deren Werte keine inhärente Reihenfolge haben, wie zum Beispiel Geschlecht oder Farbe. #### Beispiel: `MODEL_PERCENTILE( "model=gp", AVG([Days to Ship Actual]), ATTR(DATETRUNC('month',([Order Date]))) )` Als einfache Heuristik können Sie die folgenden Kriterien für die Auswahl Ihres Modells verwenden: - **Lineare Regression (Standard):** verwenden Sie diese Option, wenn Sie nur über einen Prädiktor verfügen und wenn für diesen Prädiktor eine lineare Beziehung zu Ihrer Zielmetrik besteht. - **Regularisierte lineare Regression:** verwenden Sie diese Funktion, wenn Sie über mehrere Prädiktoren verfügen, insbesondere wenn diese Prädiktoren eine lineare Beziehung zur Zielmetrik aufweisen und diese Prädiktoren wahrscheinlich von ähnlichen zugrunde liegenden Beziehungen oder Trends beeinflusst werden. - **Gaußsche Prozessregression:** verwenden Sie diese Option, wenn Sie über Prädiktoren für Zeit oder Raum verfügen oder wenn Sie Prädiktoren verwenden, die möglicherweise keine lineare Beziehung zur Zielmetrik haben.