Was ist aleatorische und epistemische Unsicherheit?

Aleatorische und epistemische Unsicherheit sind zwei Arten von Unsicherheiten im maschinellen Lernen und in der Statistik.

• Aleatorische Unsicherheit (stochastisch, interne Unsicherheit) — hängt mit Rauschen und Zufälligkeit in den Daten zusammen. Sie spiegelt die Variabilität wider, die selbst bei unendlich vielen Daten nicht beseitigt werden kann. Zum Beispiel Messfehler oder unvorhersehbare Faktoren.

• Epistemische Unsicherheit (Wissensunsicherheit) — hängt mit dem Mangel an Wissen des Modells über die Daten oder den Prozess zusammen. Sie entsteht durch eine begrenzte Datenmenge oder ein unvollständiges Modell und kann durch das Sammeln zusätzlicher Daten oder die Verbesserung des Modells verringert werden.

Beispiel:

• Bei Regressionsaufgaben zeigt sich die aleatorische Unsicherheit als Streuung der Werte um die wahre Funktion.
• Die epistemische Unsicherheit ist in Bereichen des Merkmalsraums hoch, in denen wenige Trainingsbeispiele vorhanden sind.

In bayesianischen Modellen und Gaussian-Prozessen werden diese Unsicherheiten separat modelliert, was eine bessere Einschätzung der Zuverlässigkeit von Vorhersagen ermöglicht und Entscheidungen unter Unsicherheit erleichtert.