Ein Unternehmen muss menschliche Gene in 20 Kategorien klassifizieren und benötigt einen Algorithmus, bei dem der interne Entscheidungsprozess dokumentiert und überprüft werden kann. Welcher Machine-Learning-Algorithmus erfüllt diese Anforderung?

Entscheidungsbäume sind die beste Wahl, da sie eine inhärent interpretierbare Struktur haben. Jeder Knoten im Baum repräsentiert eine Entscheidung basierend auf einem Merkmal, und die Pfade von der Wurzel zu den Blättern zeigen die Abfolge der Entscheidungen, die zu einer Klassifizierung führen. Dies ermöglicht eine transparente Dokumentation und Überprüfung des internen Entscheidungsprozesses, was für die Klassifizierung menschlicher Gene wichtig ist. Lineare Regression und logistische Regression sind zwar interpretierbar, aber sie eignen sich besser für kontinuierliche Vorhersagen bzw. binäre Klassifikationen und sind weniger geeignet für die Klassifizierung in 20 Kategorien mit der Anforderung einer detaillierten Prozessdokumentation. Neuronale Netze sind hochkomplex und bieten hervorragende Leistung, sind aber aufgrund ihrer "Black-Box"-Natur notorisch schwer zu interpretieren und zu dokumentieren, was der Anforderung widerspricht.