Themenschwerpunkt: Data Science, Maschinelles lernen

In der Welt der künstlichen Intelligenz und des maschinellen Lernens ist Datenqualität ein entscheidender Erfolgsfaktor. Besonders bei Regressionsproblemen kann eine unausgewogene Verteilung der Zielvariable (Imbalanced Regression) dazu führen, dass ML-Modelle systematische Fehler machen – sogenannte Modellverzerrungen (Bias). Klassische Methoden zur Mitigation wie Resampling oder Reweighting können diese Verzerrung zwar reduzieren, führen jedoch oft zu einer schlechteren Gesamtleistung des Modells.

Die spannende Frage ist daher: Können wir durch den Einsatz von Ensemble Learning – also die Kombination mehrerer Modelle – das Beste aus beiden Welten erreichen? Ziel dieser Masterarbeit ist es, genau diese Frage datengetrieben zu analysieren.

Im Rahmen dieser Masterarbeit soll untersucht werden, ob und inwiefern Ensemble-Methoden (z. B. Bagging, Boosting, Stacking) dazu beitragen können, Modellverzerrungen durch Imbalanced Regression zu reduzieren – ohne die Modellqualität zu kompromittieren.

Die Aufgaben umfassen:

• Literaturrecherche zu Modell-Bias, Imbalanced Regression und Ensemble Learning
• Entwicklung eines Benchmark-Setups mit bestehenden Bias-Mitigation-Strategien (z. B. SMOGN, Reweighting)
• Implementierung und Training von Ensemble-Ansätzen auf verschiedenen Regressionsdatensätzen
• Systematische Analyse von Modellgüte und Verzerrung im Vergleich zu Einzelmodellen
• Kritische Bewertung der Ergebnisse und Ableitung von Best Practices