Ein Unternehmen hat neue Daten gesammelt und anschließend eine Korrelationsmatrix erstellt, zusammenfassende Statistiken berechnet und Visualisierungen erstellt, um die Daten zu verstehen. Welcher Phase des Machine-Learning-Workflows entspricht dies?

Die Erstellung einer Korrelationsmatrix, die Berechnung zusammenfassender Statistiken und die Erstellung von Visualisierungen sind klassische Schritte der Explorativen Datenanalyse (EDA). In dieser Phase geht es darum, die Daten zu verstehen, Muster zu erkennen, Anomalien zu identifizieren und Hypothesen zu formulieren, bevor Modelle trainiert werden. Datenvorverarbeitung würde die Bereinigung, Transformation oder Normalisierung der Daten umfassen. Feature Engineering beinhaltet die Erstellung neuer Merkmale aus bestehenden Daten. Hyperparameter-Optimierung ist ein Schritt, der nach dem Modelltraining erfolgt, um die Leistung des Modells zu verbessern.