# Verständnis von Modellüberprüfungskonzepten

Ein grundlegendes Verständnis von Modellmetriken kann hilfreich sein, bevor Sie mit der Analyse Ihrer Trainingsergebnisse beginnen.

Die verfügbaren Modellmetriken können grob in zwei Typen unterteilt werden: Modellbewertungen und Funktionsrelevanzmetriken. Beide Metriktypen sollten analysiert werden, wenn Sie Ihre Modelle überprüfen.

Es gibt auch Unterschiede, wie jeder der verfügbaren Algorithmen Ihre Modelle trainieren.

## Modell-Scores

Modell-Scores geben die Genauigkeit der Vorhersagen des Modells an.

[Interpretation von Modell-Scores](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-models.htm)

## Feature-Relevanz

Die Funktionsrelevanz ist technisch gesehen kein Model-Score, sollte jedoch in Kombination mit Model-Scores verwendet werden, um die Modellqualität zu bewerten und potenzielle Probleme zu diagnostizieren. Die Funktionsrelevanz bietet auch Einblick in die Haupttreiber, die Trends in den Daten beeinflussen.

[Verständnis der Funktionsrelevanz](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-importance.htm)

## Algorithmen

Bestimmte Algorithmen funktionieren am besten mit spezifischen Problemtypen. Jeder Algorithmus hat seine Stärken und Schwächen, die bei der Überprüfung von Modellen berücksichtigt werden sollten.

[Verstehen von Modellalgorithmen](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)