Ensemblevorhersage
Kurzbeschriebung
Ensemblevorhersage kombiniert mehrere Modelle oder Modellläufe, um robustere und besser kalibrierte Prognosen zu erzeugen als Einzelmodelle. Ensemblevorhersage bezeichnet einen Ansatz, bei dem mehrere Modelle oder mehrere Modellläufe kombiniert werden, um eine robustere und oft genauere Vorhersage zu erhalten als mit einem einzelnen Modell. Die Grundidee ist, dass verschiedene Modelle unterschiedliche systematische Fehler haben; durch Kombination (z. B. Mittelwert, gewichtetes Mittel, Quantile) heben sich diese teilweise auf. Ensembles können homogen (gleiches Modell mit unterschiedlichen Startbedingungen/Parametern) oder heterogen (verschiedene Modellklassen) sein.]]
Es gibt mehrere Ensemble-Typen:
- Model-Ensembles (z. B. ARIMA + GAM + Random Forest)
- Parameter-Ensembles (gleiche Modellstruktur, variierte Parameter)
- Initialwert-Ensembles (gleiche Dynamik, unterschiedliche Startzustände)
- Bagging/Boosting/Stacking (insbesondere im maschinellen Lernen)
Das Ensemble liefert nicht nur einen Punktwert, sondern oft eine Verteilung möglicher Zukünfte. Dadurch lassen sich Vorhersageintervalle direkt aus der Streuung der Ensemble-Mitglieder ableiten.
Anwendbarkeit im Gesundheitssektor
Im Public Health werden Ensemblevorhersagen vor allem für operative Prognosen eingesetzt, etwa zur Vorhersage von COVID-19-Fallzahlen, Influenza-Inzidenzen, Hospitalisierungen oder Intensivbettenbedarf. Nationale und internationale Forecast-Hubs (z. B. während der COVID-19-Pandemie) haben gezeigt, dass Ensemble-Prognosen systematisch besser kalibriert sind als Einzelmodelle.
Ensembles sind besonders wertvoll für Entscheidungsunterstützung unter Unsicherheit, z. B. bei der Planung von Ressourcen, bei Frühwarnsystemen oder bei Szenarienabschätzungen. Wichtig ist: Ensemblevorhersagen sind nicht primär kausal, sondern prädiktiv – sie sagen was wahrscheinlich passieren wird, nicht warum.
Sonstiges
Nicht kausal
Sehr gut für Entscheidungsunterstützung
Semantik
Wikidata-Identifikator ist: Q1340846
Deutsche Wikipediaseite ist: https://de.wikipedia.org/wiki/Ensemblevorhersage
Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/Ensemble_forecasting
Quelle: Reich et al. (2019), PNAS
Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit
Für die Methode benötigte Datenmenge ist mittel;groß„Mittel;groß“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.
Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Statistisch;Maschinelles Lernen;Hybrid;Operationale Vorhersage„Statistisch;Maschinelles Lernen;Hybrid;Operationale Vorhersage“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist mittel