Der Vorteil statistischer Modelle des Input-Output-Typs besteht darin, dass sie relativ leicht konstruiert und angewandt werden können. Der Nachteil solcher Modelle ist jedoch, dass sie die innere Natur des beobachteten Phänomens nicht offenbaren.

Konzeptuelle Modelle, die den Vorteil haben, dass sie transparent funktionieren, aber manchmal schwer zu beweisen sind, dass sie richtig sind. Die künstliche Intelligenz bietet Methoden des maschinellen Lernens anhand von Beispielen, die die Nachteile der statistischen und konzeptionellen Ansätze beseitigen und die Vorteile integrieren.

In diesem Buch wird ein umfassendes datengesteuertes Modellierungsexperiment auf der Grundlage von Regressionsbäumen vorgestellt. Regressionsbäume wurden für das praktische Problem der Konstruktion eines datengesteuerten Modells zur Abflussvorhersage aus bekannten aktuellen und vergangenen Abflüssen an Pegelmessern und Niederschlägen an Regenmessern im Einzugsgebiet eingesetzt.

Die Ergebnisse auf der Grundlage der Annäherung und der Vorhersagegenauigkeit von Regressionsbäumen werden dann mit anderen DDM-Techniken verglichen, nämlich mit künstlichen neuronalen Netzen, Gaußschen Prozessen, Support-Vektor-Regressionen und multiplen linearen Regressionen. Das Buch ist eine Pflichtlektüre für Forscher, die auf dem Gebiet der datengesteuerten Modellierung arbeiten.

. .