Ein Datensatz enthält Versicherungsansprüche mit Datensatz-IDs, einem Endergebnis aus 200 Kategorien und Zeitstempeln. Ziel ist es, vorherzusagen, wie viele Ansprüche in jeder Kategorie monatlich für einige Monate im Voraus auftreten werden. Welcher Modelltyp ist geeignet?

Die korrekte Antwort ist ein Prognosemodell, da die Aufgabe darin besteht, zukünftige Mengen (Anzahl der Ansprüche) über die Zeit (monatlich) für jede Kategorie vorherzusagen. Dies ist eine klassische Zeitreihenprognoseaufgabe. Ein Prognosemodell kann historische Zeitstempel und die zugehörigen Zählungen nutzen, um Muster zu erkennen und zukünftige Werte zu extrapolieren. Eine überwachte Klassifizierung wäre ungeeignet, da sie einzelne Ansprüche einer Kategorie zuordnet, nicht aber die aggregierte Anzahl über die Zeit vorhersagt. Reinforcement Learning ist für sequentielle Entscheidungsfindungen optimiert, nicht für die Vorhersage von Zählwerten. Ein Hybridmodell wäre unnötig komplex und ineffizient, da die Kernaufgabe eine reine Prognose ist und keine Klassifizierung von Inhalten erfordert.