Neue Sensitivitätsanalysen mit ICE‑Kurven für Engineering‑Modelle

In der heutigen datengetriebenen Ingenieurwelt gewinnt die Erklärbarkeit von Machine‑Learning‑Modellen immer mehr an Bedeutung. Besonders in der Luft‑ und Raumfahrt, wo präzises Verständnis der Einflussfaktoren auf Vorhersagen entscheidend ist, werden klassische Interpretationswerkzeuge wie Partial Dependence Plots (PDP) häufig eingesetzt. Doch PDPs können bei starken Wechselwirkungen zwischen Eingangsvariablen irreführend sein, weil sie die Effekte durch Mittelung verbergen.

Eine neue Methode, die auf Individual Conditional Expectation (ICE) – Kurven basiert, bietet hier eine Lösung. Durch die Berechnung des erwarteten Feature‑Werts über alle ICE‑Kurven hinweg und die Angabe der Standardabweichung liefert die Technik ein globales Sensitivitätsmaß, das Interaktionen deutlich besser erfasst. Ein mathematischer Beweis zeigt, dass das PDP‑basierte Sensitivitätsmaß stets ein Untereigenwert des ICE‑basierten Maßes ist, wenn die Daten durch eine abgeschnittene orthogonale Polynomexpansion beschrieben werden.

Zusätzlich wird ein ICE‑basierter Korrelationswert eingeführt, der quantifiziert, wie stark Wechselwirkungen die Beziehung zwischen Eingabe und Ausgabe verändern. In drei praxisnahen Testfällen – einer analytischen 5‑Variablen‑Funktion, einem 5‑Variablen‑Windturbinen‑Alterungsproblem und einer 9‑Variablen‑Flügel‑Aerodynamik‑Analyse – wurde die ICE‑Sensitivität mit herkömmlichen PDPs, SHAP‑Werten und Sobol‑Indizes verglichen. Die Ergebnisse zeigen, dass ICE‑basierte Feature‑Importance tiefere Einblicke liefert und die Interaktionsdynamik klarer abbildet als die traditionellen Ansätze.

Diese Fortschritte eröffnen Ingenieuren ein leistungsfähiges Werkzeug, um komplexe Modelle besser zu verstehen und fundiertere Designentscheidungen zu treffen.