Genetische Optimierung von Generalisierten Additiven Modellen (GAMs)

In einer neuen Studie zeigen Forscher, dass genetische Algorithmen die Entwicklung von Generalisierten Additiven Modellen (GAMs) revolutionieren können. GAMs sind bekannt für ihre Kombination aus hoher Vorhersagekraft und klarer Interpretierbarkeit, doch die manuelle Konfiguration ihrer Struktur bleibt komplex und zeitaufwendig.

Die Autoren nutzen den Multi‑Objective‑Genetischen Algorithmus NSGA‑II, um GAMs gleichzeitig an zwei Kriterien zu optimieren: die Vorhersagefehler (RMSE) und eine Komplexitätsstrafe, die Sparsität, Glattheit und Unsicherheit berücksichtigt. Durch diese doppelte Optimierung entstehen Modelle, die nicht nur genauer sind, sondern auch weniger Parameter enthalten und dadurch leichter verständlich bleiben.

Auf dem California Housing Dataset konnten die automatisch generierten Modelle die Leistung von Standard‑LinearGAMs übertreffen oder gleichwertig liefern – und das mit deutlich geringerer Komplexität. Die Resultate zeigen, dass die Modelle flacher, glatter und mit engeren Konfidenzintervallen ausgestattet sind, was die Interpretierbarkeit weiter verbessert.

Das vorgestellte Framework bietet damit einen generellen Ansatz zur automatischen Optimierung transparenter, leistungsfähiger Modelle. Der komplette Code ist auf GitHub verfügbar: https://github.com/KaaustaaubShankar/GeneticAdditiveModels.