„Wir haben die Daten robust skaliert“ klingt nach einer gründlichen Bereinigung. Tatsächlich kann damit lediglich gemeint sein, dass Zahlen einen anderen Bezugspunkt und Maßstab erhalten haben. Ein sehr großer Wert bleibt dabei ein sehr großer Wert. Wer eine KI-Auswertung beurteilt, sollte diese Unterscheidung kennen, bevor aus einer technischen Vorverarbeitung eine Aussage über Datenqualität wird.
Robuste Skalierung ist besonders als Gesprächsgrundlage zwischen Fachbereich und Datenteam interessant. Sie hilft, eine konkrete Frage zu stellen: Wie wurde der Maßstab festgelegt, mit dem ein Modell die Eingabewerte verarbeitet? Dieser Beitrag erläutert das Prinzip mit einer eigenen Rechenübung und zeigt, warum die Prüfung auffälliger Fälle eine separate Aufgabe bleibt.
Was wird bei robuster Skalierung verändert?
Die offizielle Dokumentation des RobustScaler von scikit-learn beschreibt eine Vorverarbeitung, die bei den Standardeinstellungen den Median abzieht und durch den Interquartilsabstand skaliert. Dieser Abstand liegt zwischen dem ersten und dritten Quartil, also dem 25. und 75. Perzentil. Die Berechnung erfolgt für jedes Merkmal getrennt.
Vereinfacht lautet die Rechnung für diesen Fall: neuer Wert = (ursprünglicher Wert − Median) ÷ Quartilsabstand. Das Ergebnis beschreibt eine Position relativ zum gewählten Bezugspunkt. Es ist weder eine Fehlerwahrscheinlichkeit noch eine fachliche Qualitätsnote. Auch die ursprüngliche Maßeinheit muss für die Interpretation der Rohdaten weiterhin bekannt sein.
Fünf Servicezeiten als eigene Rechenübung
Angenommen, fünf vollständig erfundene Servicevorgänge dauerten 8, 10, 12, 14 und 100 Minuten. Die Werte sind bereits aufsteigend sortiert. Für diese Übung verwenden wir eine lineare Quartilsbestimmung: Bei genau diesen fünf Werten liegen das erste Quartil bei 10, der Median bei 12 und das dritte Quartil bei 14 Minuten.
Der Quartilsabstand beträgt damit 14 − 10 = 4 Minuten. Die umgerechneten Werte lassen sich einzeln nachvollziehen:
- 8 Minuten: (8 − 12) ÷ 4 = −1.
- 10 Minuten: (10 − 12) ÷ 4 = −0,5.
- 12 Minuten: (12 − 12) ÷ 4 = 0.
- 14 Minuten: (14 − 12) ÷ 4 = 0,5.
- 100 Minuten: (100 − 12) ÷ 4 = 22.
Die ersten vier Beobachtungen liegen jetzt zwischen −1 und 0,5. Der letzte Vorgang liegt bei 22. Er wurde nicht gelöscht, auf den Wert 1 begrenzt oder durch einen typischen Vorgang ersetzt. Alle fünf Beobachtungen sind weiterhin vorhanden.
Was passiert, wenn der letzte Wert noch größer wird?
Ersetzen wir in dieser künstlichen Reihe ausschließlich 100 durch 1.000 Minuten, bleiben Median und beide Quartile nach der angegebenen Berechnung gleich. Für den letzten Wert ergibt sich nun (1.000 − 12) ÷ 4 = 247. Die vier anderen Ergebnisse bleiben unverändert.
Das Beispiel macht den Unterschied greifbar: Der zentrale Maßstab verändert sich hier nicht, obwohl der größte Wert erheblich steigt. Der extreme Fall wird aber keineswegs unauffällig. Die Übung beweist nicht, dass Quartile in jeder Datenreihe unverändert bleiben. Sie zeigt einen konkreten Mechanismus anhand bewusst einfacher Zahlen.
Warum „robust“ nicht „ohne Ausreißer“ bedeutet
Im offiziellen Vergleich verschiedener Skalierungsverfahren weist scikit-learn ausdrücklich darauf hin, dass die Ausreißer nach robuster Skalierung noch in den transformierten Daten vorhanden sind. Der Vergleich zeigt außerdem, wie extreme Beobachtungen bei anderen Verfahren den Maßstab beeinflussen können. Eine robustere Festlegung des Maßstabs und eine Entfernung von Beobachtungen sind somit unterschiedliche Vorgänge.
Für unser Servicebeispiel bleibt die fachliche Untersuchung offen. Vielleicht wurde eine Zeit falsch eingegeben. Vielleicht musste bei einem echten Sonderfall eine Ersatzlieferung abgewartet werden. Vielleicht werden in der Tabelle aktive Bearbeitungszeit und gesamte Wartezeit vermischt. Keine dieser Erklärungen entsteht durch die Skalierungsrechnung.
Das Datenteam sollte deshalb nicht nur das verwendete Verfahren nennen. Der Fachbereich braucht auch eine Antwort darauf, wie auffällige Fälle untersucht werden und ob die Messdefinition für alle Beobachtungen gleich ist. Eine veränderte Darstellung kann eine unklare Definition nicht reparieren.
Der gespeicherte Maßstab gehört zur Auswertung
Laut RobustScaler-Dokumentation werden Median und Quartilsabstand aus den Trainingsdaten bestimmt und für die Transformation späterer Daten gespeichert. Beim Prüfen neuer Vorgänge wird damit derselbe gelernte Maßstab verwendet.
Für eine Besprechung bedeutet das: Lassen Sie sich nicht nur eine neue Zahl zeigen, sondern auch den zugrunde liegenden Bezugspunkt erklären. Stammt er aus einem dokumentierten Trainingsbestand? Wurde derselbe gespeicherte Maßstab angewandt? Welche Einstellungen wurden verwendet? So bleibt nachvollziehbar, warum ein identischer Rohwert in verschiedenen Modellversionen möglicherweise anders dargestellt wird.
Eine vorschnelle Neuinterpretation wäre beispielsweise: „Der skalierte Wert ist gesunken, also läuft der Prozess besser.“ Das ist ohne Kenntnis des Maßstabs nicht belastbar. Prüfen Sie zuerst, ob sich der Rohwert verändert hat oder nur die Transformation. Für fachliche Vergleiche sollten Originalwerte, Einheiten und Messbedingungen zugänglich bleiben.
Ein kurzer Prüfauftrag statt eines technischen Gütesiegels
Die folgende Vorlage lässt sich als eigene Arbeitsnotiz für die nächste KI-Besprechung verwenden. Sie ist keine vorgeschriebene Dokumentation und ersetzt keine technische Modellprüfung.
- Merkmal definieren: Was wird gemessen, in welcher Einheit und mit welchem Beginn und Ende?
- Transformation benennen: Welche Einstellungen wurden verwendet, und welcher Bestand lieferte den Maßstab?
- Ein Beispiel nachrechnen: Wählen Sie einen typischen und einen auffälligen Originalwert und prüfen Sie beide Ergebnisse.
- Auffällige Fälle zuordnen: Welche Vorgänge stehen hinter den hohen Werten? Ist ihre Entstehung fachlich erklärt?
- Verarbeitung getrennt dokumentieren: Wurde ausschließlich skaliert oder wurden zusätzlich Werte geändert, begrenzt oder entfernt?
- Ergebnis prüfen: Welche nachvollziehbare Bewertung zeigt, dass die gewählte Vorverarbeitung für die konkrete Aufgabe geeignet ist?
Gerade der fünfte Punkt schützt vor Missverständnissen. Wenn zusätzlich Beobachtungen entfernt wurden, sollte diese Entscheidung eigenständig begründet sein. Die Bezeichnung „robuste Skalierung“ reicht als Erklärung dafür nicht aus.
FAQ zur robusten Skalierung bei KI
Sind negative skalierte Werte ein Problem?
In unserer Rechnung kennzeichnen sie Werte unterhalb des Medians. Die ursprünglichen Servicezeiten sind trotzdem positiv. Das Vorzeichen beschreibt hier die Lage zum Bezugspunkt, nicht eine negative Dauer.
Beweist ein sehr hoher skalierter Wert einen Eingabefehler?
Nein. Er ist Anlass, den zugrunde liegenden Vorgang und seine Messung zu prüfen. Auch ein seltener, tatsächlich aufgetretener Sonderfall kann weit vom typischen Bereich entfernt liegen.
Verbessert robuste Skalierung jedes KI-Modell?
Eine solche Garantie gibt es nicht. Das Verfahren muss zur Aufgabe, zu den Daten und zum eingesetzten Modell passen. Ein nachvollziehbarer Vergleich ist aussagekräftiger als das Wort „robust“ allein.
Fazit: Maßstab und Datenqualität getrennt beurteilen
Robuste Skalierung verändert die numerische Darstellung; sie beantwortet nicht automatisch, ob Beobachtungen korrekt sind. Die eigene Rechenübung zeigt diesen Unterschied: Aus 100 Minuten werden 22, aber der auffällige Vorgang bleibt bestehen. Für eine belastbare KI-Anwendung gehören technische Vorverarbeitung und fachliche Datenprüfung zusammen, ohne miteinander verwechselt zu werden.
Wenn Sie KI-Anwendungen im Berufsalltag bewusster einordnen möchten, informieren Sie sich über das öffentlich angebotene Programm Anwendungsbezogene KI für den beruflichen Arbeitsalltag. Fragen zum Angebot und zu Ihrem persönlichen Lernweg können Sie über den Kontakt zu GrandEdu Media klären.