---
title: Predictive Analytics | Testversion des Minitab Solution Center
description: Lernen Sie, wie Sie auf Basis aktueller Daten Vorhersagen für die Zukunft treffen können.
---

- [Deutsch](https://info.minitab.com/de/minitab-trial/predictive-analytics)
- [English](https://info.minitab.com/en/minitab-trial/predictive-analytics)

 Deutsch

[![minitab-corp-logo](https://info.minitab.com/hubfs/WCM/minitab-corp-logo.svg) ![minitab-corp-logo](https://info.minitab.com/hubfs/WCM/minitab-corp-logo.svg)](https://www.minitab.com/de-de/)

![minitab-corp-logo](https://info.minitab.com/hubfs/WCM/minitab-corp-logo.svg)

[Kontakt zu Minitab](https://www.minitab.com/de-de/talk-to-minitab/)

[Kontakt zu Minitab](https://www.minitab.com/de-de/talk-to-minitab/)

# **Nutzen Sie historische Daten, um zukünftige Ergebnisse vorherzusagen.**

Mit Predictive Analytics können Sie historische Daten nutzen, um zukünftige Ergebnisse vorherzusagen. In dieser Lektion erstellen Sie ein  CART®-Klassifikationsmodell, das mithilfe ausgewählter Einflussfaktoren vorhersagt, ob eine Person an einer Herzerkrankung leidet.

CART® ist ein erklärbares Modell von Minitab. Es zeigt, wie die einzelnen Faktoren zu einer Vorhersage beitragen.

**In 20 Minuten lernen Sie:**

• Einen Datensatz zur Klassifizierung von Herzerkrankungen öffnen

• Ein CART®-Klassifizierungsmodell erstellen und wichtige Einflussfaktoren erkennen

• Überprüfen, wie gut das Modell Vorhersagen trifft

• Den Entscheidungsbaum nutzen, um die Vorhersage nachvollziehbar zu erklären

[Melden Sie sich an](https://licensing.minitab.com/Login?ReturnUrl=%2F)

[Alle Funktionen von Minitab entdecken](https://www.minitab.com/de-de/try-buy/?locale=de-DE)

![MSC-Testversion – Predictive Analytics](https://info.minitab.com/hs-fs/hubfs/blue%20versions_Predictive%20Analytics.png?width=2000&height=1125&name=blue%20versions_Predictive%20Analytics.png "MSC-Testversion – Predictive Analytics")

### FALLSTUDIE

Klassifizieren Sie binäre Ergebnisse und erläutern Sie die Faktoren, die der Vorhersage zugrunde liegen. 

### DATENSATZ HERUNTERLADEN

Laden Sie den in dieser Lektion verwendeten Minitab-Datensatz [hier](https://support.minitab.com/en-us/datasets/media/generated-content/datasets/HeartDiseaseBinary.MWX) herunter.

### DAUER

 20 Minuten

### WAS SIE BENÖTIGEN

Voraussetzung: Ein aktiver Zugang zur Testversion des Minitab Solution Centers.

## Erstellen Sie ein erklärbares Klassifikationsmodell

 Folgen Sie diesen sechs Schritten in Minitab, um ein CART®-Klassifikationsmodell zu erstellen, zu überprüfen und zu interpretieren.

 1

![Öffnen Sie Ihre Daten – Predictive Analytics](https://info.minitab.com/hs-fs/hubfs/Step%201%20-%20Open%20Your%20Data%20(2).png?width=1080&height=1080&name=Step%201%20-%20Open%20Your%20Data%20(2).png)

### Das zu untersuchende Problem festlegen

Laden Sie die Datei „[HeartDiseaseBinary.MWX](https://support.minitab.com/en-us/datasets/media/generated-content/datasets/HeartDiseaseBinary.MWX)“ herunter und speichern Sie sie in einem Ordner in Ihrem OneDrive. Öffnen Sie die Minitab Statistical Software und wählen Sie links im Navigationsbereich Open, um die Datei am Speicherort aufzurufen.

Wählen Sie in der Vorschau „Heart Disease“ als Zielvariable aus. Sie enthält zwei mögliche Werte: „Yes“ und „No“. Die Frage lautet: Welche Patientenmerkmale helfen dabei, eine Herzerkrankung vorherzusagen?

Wählen Sie Load.

 TIPP

Die Zielvariable ist das Ergebnis, das Sie vorhersagen möchten. Die Prädiktoren sind die Spalten, die das Modell für seine Vorhersage nutzt.

 2

![Starten Sie eine CART-Klassifikation](https://info.minitab.com/hs-fs/hubfs/Step%202%20-%20Start%20a%20CART%20Classification.png?width=1080&height=1080&name=Step%202%20-%20Start%20a%20CART%20Classification.png)

### CART®-Klassifikation starten

Wählen Sie **Predictive Analytics \> CART® Classification**. Wählen Sie im Dropdown-Menü **Binary Response**, da „Heart Disease“ nur zwei mögliche Werte enthält.

Wählen Sie im Feld **Response** die Variable „Heart Disease“ aus. Wählen Sie als Antwortwert **Yes**. So richten Sie die Vorhersage darauf aus, eine Herzerkrankung zu erkennen.

Lassen Sie das Dialogfeld geöffnet. Im nächsten Schritt ergänzen Sie die Prädiktoren.

 

 3

![Geben Sie Ihre Prädiktoren ein](https://info.minitab.com/hs-fs/hubfs/Step%203%20-%20Enter%20Your%20Predictors.png?width=1080&height=1080&name=Step%203%20-%20Enter%20Your%20Predictors.png)

### Prädiktoren hinzufügen

Fügen Sie die numerischen Werte als kontinuierliche Prädiktoren hinzu. Wählen Sie die Variablen aus und übernehmen Sie sie mit **Select** oder fügen Sie sie direkt in das Feld ein:

**Kontinuierliche Prädiktoren**

`Age`

`'Rest Blood Pressure'`

`Cholesterol`

`'Max Heart Rate'`

`'Old Peak'`

Fügen Sie anschließend die Gruppen- oder Kategorienfelder als kategoriale Prädiktoren hinzu:

**Kategoriale Prädiktoren**

`Sex`

`'Chest Pain Type'`

`'Fasting Blood Sugar'`

`'Rest ECG'`

`'Exercise Angina'`

`Slope`

`Major Vessels`

`Thal`

Wählen Sie **OK**. Minitab zeigt ein Diagramm des optimalen Baums sowie weitere Diagramme an.

 4

![Erstellen Sie den Entscheidungsbaum](https://info.minitab.com/hs-fs/hubfs/Step%204%20-%20Build%20The%20Tree.png?width=1080&height=1080&name=Step%204%20-%20Build%20The%20Tree.png)

### Entscheidungsbaum aufbauen und prüfen

Der Baum zeigt, wie das Modell zu einer Vorhersage gelangt. Folgen Sie den Verzweigungen von oben nach unten. In diesem Beispiel teilt Minitab die Daten zunächst nach „Chest Pain Type“ und „Major Vessels“ auf. Jeder Endknoten sagt voraus, ob eine Herzerkrankung vorliegt: „Yes“ oder „No“.

Das Diagramm **Misclassification Cost vs Number of Terminal Nodes** zeigt, warum Minitab diese Baumgröße gewählt hat. Ein größerer Baum kann zwar besser zu den Trainingsdaten passen, ist aber oft schwieriger zu erklären.

Minitab hat einen Baum mit vier Endknoten ausgewählt. So bleibt das Modell einfach und der Klassifizierungsfehler gleichzeitig gering.

 TIPP

Die erste Aufteilung trennt die Fälle häufig besonders deutlich. Sie zeigt jedoch nicht automatisch die Ursache einer Herzerkrankung.

 5

![Identifizieren Sie die wichtigsten Faktoren](https://info.minitab.com/hs-fs/hubfs/Step%205%20-%20Find%20the%20most%20important%20factors.png?width=1080&height=1080&name=Step%205%20-%20Find%20the%20most%20important%20factors.png)

### Die wichtigsten Einflussfaktoren ermitteln

Sehen Sie sich nach dem Entscheidungsbaum das Diagramm **Relative Variable Importance** an. Es ordnet die Prädiktoren danach, wie gut sie die Fälle „Heart Disease = Yes“ von „Heart Disease = No“ unterscheiden.

In diesem CART®-Modell sind die wichtigsten Prädiktoren:

- Chest Pain Type
- Major Vessels
- Thal
- Exercise Angina
- Max Heart Rate.

Eine hohe relative Bedeutung bedeutet, dass eine Variable für die Vorhersage hilfreich ist. Sie beweist nicht, dass die Variable eine Herzerkrankung verursacht.

 6

![Überprüfen Sie die Modellleistung](https://info.minitab.com/hs-fs/hubfs/Step%206.%20-%20Check%20Model%20Performance.png?width=1080&height=1080&name=Step%206.%20-%20Check%20Model%20Performance.png)

### Modellleistung prüfen

Öffnen Sie die **Confusion Matrix**. Sie vergleicht die tatsächlichen Ergebnisse mit den Vorhersagen des Modells.

In diesem Beispiel hat das Modell korrekt klassifiziert:

- 87,1 % der tatsächlichen „Yes“-Fälle
- 74,4 % der tatsächlichen „No“-Fälle
- 80,2 % aller Fälle

Das Modell erkennt Personen mit einer Herzerkrankung besser, als es eine Herzerkrankung ausschließen kann.

 TIPP

Achten Sie besonders auf übersehene „Yes“-Fälle. Die Falsch-Negativ-Rate beträgt hier 12,9 %. Das ist wichtig, wenn eine Herzerkrankung bei Personen mit hohem Risiko ausgeschlossen werden soll.

## Zusammenfassung: Was Sie gelernt haben

Sie haben gesehen, wie eine CART**®**-Klassifikation historische Daten nutzt, um ein Ja-oder-Nein-Ergebnis vorherzusagen. Das Modell hilft Ihnen, wichtige Einflussfaktoren zu erkennen und nachzuvollziehen, wie der Entscheidungsbaum zu einer Vorhersage gelangt. So können Sie die Modellleistung besser einschätzen und Ergebnisse verständlich vermitteln.

## Bauen Sie Ihre Minitab-Expertise weiter aus

### [![ic-1](https://info.minitab.com/hs-fs/hubfs/ic-1.jpg?width=418&height=378&name=ic-1.jpg) Data Preparation 15 Minuten Bereiten Sie Ihre Daten auf, damit Sie sie leichter analysieren und aussagekräftig visualisieren können. Mehr erfahren →](https://info.minitab.com/de/minitab-trial/data-preparation?hsLang=de)

### [![ic-2](https://info.minitab.com/hs-fs/hubfs/ic-2.jpg?width=418&height=378&name=ic-2.jpg) Dashboards 20 Minuten Erstellen Sie Dashboards, mit denen sich wichtige Kennzahlen und Ergebnisse übersichtlich darstellen lassen. Mehr erfahren →](https://info.minitab.com/de/minitab-trial/dashboards?hsLang=de)

### [![ic-3](https://info.minitab.com/hs-fs/hubfs/ic-3.jpg?width=418&height=378&name=ic-3.jpg) Statistical Analysis 20 Minuten Untersuchen Sie Ihre Daten mit statistischen Methoden und verstehen Sie die Ergebnisse besser. Mehr erfahren →](https://info.minitab.com/de/minitab-trial/statistical-analysis?hsLang=de)

### [![ic-4](https://info.minitab.com/hs-fs/hubfs/ic-4.jpg?width=418&height=378&name=ic-4.jpg) Design of Experiments 20 Minuten Planen Sie Ihre Versuche so, dass Sie mit weniger Aufwand mehr Erkenntnisse gewinnen. Mehr erfahren →](https://info.minitab.com/de/minitab-trial/design-of-experiments?hsLang=de)

---

- [Karriere](https://www.minitab.com/de-de/company/careers/)
- [Trust Center](https://www.minitab.com/de-de/trust-center/)
- [Lieferanten](https://www.minitab.com/de-de/suppliers/)
- [Siteübersicht](https://www.minitab.com/de-de/site-map/)

<https://www.linkedin.com/company/minitab/> [Follow us on Twitter](https://www.facebook.com/Minitab/) [Follow us on Instagram](https://www.youtube.com/user/MinitabInc) [Follow us on Facebook](https://www.instagram.com/minitab/)

---

 © 2026 Minitab, LLC. All Rights Reserved.

- [Nutzungsbedingungen](https://www.minitab.com/de-de/legal/terms-of-use/)
- [Datenschutzrichtlinie](https://www.minitab.com/de-de/legal/privacy-policy/)
- [Impressum](https://www.minitab.com/de-de/legal/impressum/)
- [Rechtliche Hinweise](https://www.minitab.com/de-de/legal/)

- Your Privacy Rights