DataRobot kann Modelle für Forschungsdaten entwickeln und an zusätzlichen Daten prüfen. Für die Bewertung ist entscheidend, ob die Testdaten tatsächlich unabhängig vom Training sind und dieselbe fachliche Frage abbilden. Eine gute Kennzahl im ursprünglichen Experiment allein belegt noch keine Übertragbarkeit.
Stand: 27. Oktober 2026. Dieser Leitfaden behandelt die Prüfung mit externen Testdaten. Den allgemeinen Produktumfang erklärt das DataRobot-Hauptprofil; der XAI-Leitfaden vertieft die Interpretation einzelner Vorhersagen.
1. Untersuchungsfrage und Testziel festlegen
Formulieren Sie vor der Modellierung, was vorhergesagt werden soll und woran ein brauchbares Ergebnis erkannt wird. Halten Sie fest, auf welche Population, Zeit und Erhebungssituation sich die Aussage beziehen soll. Ein Modell für einen bestimmten Datensatz muss bei einer anderen Erhebung nicht gleich gut funktionieren.
Dokumentieren Sie außerdem, welche Fehler besonders relevant sind. Ein Durchschnittswert kann wichtige Unterschiede zwischen Teilgruppen oder seltenen Fällen verdecken. Wählen Sie Kennzahlen passend zur Frage und begründen Sie diese Auswahl.
2. Externe Testdaten wirklich getrennt halten
Die aktuelle DataRobot-Dokumentation beschreibt externe Testdaten als zusätzliche Datensätze, die nicht zum ursprünglichen Trainingsdatensatz gehören und tatsächliche Werte für die Zielvariable enthalten. Damit lassen sich trainierte Modelle an bislang nicht für das Training verwendeten Fällen bewerten.
Prüfen Sie dennoch Überschneidungen zwischen Datensätzen. Dieselben Personen, Geräte oder wiederholte Messungen können eine scheinbar unabhängige Prüfung verfälschen. Halten Sie Herkunft, Erhebungszeitraum und Regeln zur Fallauswahl fest. Eine andere Datei allein garantiert keine Unabhängigkeit.
3. Voraussetzungen des Experiments beachten
Für den dokumentierten Ablauf überwachten Lernens müssen im externen Datensatz Zielspalte und die benötigten Eingabespalten vorhanden sein. Die Dokumentation schließt überwachte Zeitreihenexperimente von diesem Ablauf aus. Übertragen Sie ihn deshalb nicht unverändert auf eine Prognoseaufgabe mit zeitlicher Struktur.
Kontrollieren Sie Einheiten, Kodierung, fehlende Werte und Bedeutung der Variablen. Eine gleich benannte Spalte kann in einer anderen Studie anders erhoben worden sein. Solche Unterschiede gehören in die Interpretation der Ergebnisse.
4. Modelle gezielt auswerten
Das bloße Anhängen externer Daten bewertet vorhandene Modelle noch nicht automatisch. Laut Dokumentation muss die Auswertung für das jeweilige Modell gestartet werden. Prüfen Sie, welches Modell und welcher Testdatensatz den angezeigten Kennzahlen zugrunde liegen.
Vergleichen Sie den externen Befund mit der ursprünglichen Bewertung. Untersuchen Sie Abweichungen an konkreten Fehlerfällen und wichtigen Teilgruppen. Passen Sie ein Modell nach einem Test an, dokumentieren Sie diese Entscheidung; ein wiederholt zur Optimierung verwendeter Test erfüllt nicht mehr dieselbe Rolle wie eine unangetastete Abschlussprüfung.
5. Ergebnis und Grenzen berichten
Halten Sie Modellfassung, Datenstand, Kennzahlen und relevante Fehlerbeispiele zusammen fest. Beschreiben Sie, welche Schlussfolgerungen durch die Daten gestützt werden und wo die Übertragbarkeit offen bleibt. Ein besserer Modellwert belegt weder einen ursächlichen Zusammenhang noch die Eignung für jede spätere Anwendung.
Eine technische Plattform ersetzt keine wissenschaftliche Methodenkontrolle. Für gemeinsame Nutzung und dauerhafte Ausführung sind zusätzlich Datenzugriffe, Zuständigkeiten und Betriebsumfang zu klären.
Quellen und Einordnung
Die Produktfunktionen folgen der offiziellen DataRobot-Dokumentation Externe Testdaten hinzufügen und Modelle vergleichen. Der beschriebene Prüfablauf ist eine redaktionelle Empfehlung; es wurde keine bestimmte Forschungsstudie mit DataRobot durchgeführt oder bewertet.
