Ein Datensatz von Versicherungsansprüchen enthält eine Anspruchs-ID, das Endergebnis (eine von 200 Kategorien) und das Ergebnisdatum. Einige Datensätze sind unvollständig (sie listen nur 3–4 mögliche Ergebnisse anstelle des vollständigen Satzes auf). Es gibt Hunderte von Datensätzen pro Ergebnis, und die Daten umfassen die letzten 3 Jahre. Der Data Scientist muss die monatliche Anzahl der Ansprüche pro Ergebniskategorie mehrere Monate im Voraus vorhersagen. Welcher Ansatz erfüllt diese Anforderung am besten?

Die Aufgabe besteht darin, die monatliche Anzahl von Ansprüchen pro Ergebniskategorie im Voraus zu prognostizieren. Dies ist eine klassische Zeitreihenprognoseaufgabe, bei der historische Daten (Anspruchs-IDs und -Daten) verwendet werden, um zukünftige Werte (monatliche Anzahlen) vorherzusagen. Die Option "Jeden Monat eine überwachte Klassifizierung durchführen..." ist falsch, da Klassifizierung die Zuweisung zu einer Kategorie ist, nicht die Vorhersage einer Anzahl. Reinforcement Learning ist für sequentielle Entscheidungen in einer Umgebung gedacht und ungeeignet für diese Prognoseaufgabe. Die letzte Option ist zu komplex und unnötig, da die unvollständigen Datensätze nicht direkt für die Prognose der Anzahl der Ansprüche relevant sind, sondern eher für die Kategorisierung, die hier nicht die Hauptaufgabe ist.