{"id":24989,"date":"2019-07-16T00:00:00","date_gmt":"2019-07-16T00:00:00","guid":{"rendered":"https:\/\/www.mailgun.com\/blog\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/"},"modified":"2026-09-16T19:10:24","modified_gmt":"2026-09-16T19:10:24","slug":"blinde-flecken-fehlende-daten-machine-learning-vermeiden","status":"publish","type":"blog","link":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/","title":{"rendered":"Blinde Flecken durch fehlende Daten beim Machine Learning vermeiden"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Sie haben ein Projekt und m\u00f6chten darauf Machine Learning anwenden. Sie beginnen einfach: ein Merkmal hinzuf\u00fcgen, Daten sammeln, ein Modell erstellen. Sie f\u00fcgen ein weiteres \u00e4u\u00dferst n\u00fctzliches Merkmal hinzu, das jedoch nur in der H\u00e4lfte Ihrer Datenpunkte vorhanden ist. Sie m\u00f6chten klug vorgehen und alle verf\u00fcgbaren Daten nutzen (einschlie\u00dflich derer mit fehlenden Werten), aber wie stellen Sie das an?<\/p>\n\n\n\r\n    <nav data-content-type=\"longform\" class=\"toc-block longform-spacings px-5 py-6 px-md-6 px-lg-7 py-md-7 bg-light fs-sm rounded-lg\" aria-labelledby=\"toc-title-1077\"><p class=\"h5 m-0\" id=\"toc-title-1077\">Inhaltsverzeichnis<\/p><div class=\"d-flex mt-3\"><div class=\"w-auto fw-bold text-accent d-flex me-2\">01<\/div><div class=\"d-flex flex-column\"><a class=\"fw-bold scrollme link-body-color text-accent\" href=\"#lernen-an-einem-beispiel\">Lernen an einem Beispiel<\/a><\/div><\/div><div class=\"d-flex mt-3\"><div class=\"w-auto fw-bold text-accent d-flex me-2\">02<\/div><div class=\"d-flex flex-column\"><a class=\"fw-bold scrollme link-body-color text-accent\" href=\"#die-leistungsfaehigkeit-der-datenimputation\">Die Leistungsf\u00e4higkeit der Datenimputation<\/a><\/div><\/div><div class=\"d-flex mt-3\"><div class=\"w-auto fw-bold text-accent d-flex me-2\">03<\/div><div class=\"d-flex flex-column\"><a class=\"fw-bold scrollme link-body-color text-accent\" href=\"#erkenntnisse\">Erkenntnisse<\/a><\/div><\/div><div class=\"d-flex mt-3\"><div class=\"w-auto fw-bold text-accent d-flex me-2\">04<\/div><div class=\"d-flex flex-column\"><a class=\"fw-bold scrollme link-body-color text-accent\" href=\"#nuetzliche-links\">N\u00fctzliche Links<\/a><\/div><\/div><\/nav>\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" class=\"wp-image-4859\" width=\"500\" height=\"334\" src=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/sherlock-pose.jpg\" alt=\"Benedict Cumberbatch as Sherlock in solemn pose\" srcset=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/sherlock-pose.jpg 500w, https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/sherlock-pose-300x200.jpg 300w\" sizes=\"(max-width: 500px) 100vw, 500px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn ich in der Entwicklung auf ein Problem sto\u00dfe, versuche ich, eine funktionierende L\u00f6sung zu googeln. Sie muss nicht zu 100 % mathematisch exakt sein, sollte aber sinnvoll sein. Meine Suche f\u00fchrte mich zu\u00a0<a href=\"https:\/\/stackoverflow.com\/questions\/35680426\/missing-value-in-data-analysis\" target=\"_tabs\" rel=\"noopener noreferrer\">Missing Value in Data Analysis<\/a>\u00a0auf Stack Overflow.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die L\u00f6sungen reichen von einfachen Ans\u00e4tzen, wie dem F\u00fcllen von L\u00fccken mit dem Durchschnitt oder den h\u00e4ufigsten Werten, bis hin zur Vorab-Vorhersage der fehlenden Werte. In meinem Fall f\u00fchrte ich ein separates bin\u00e4res Merkmal ein, das angibt, ob der Wert fehlt.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wann immer ich an einer L\u00f6sung zweifelte, wandte ich mich der Mathematik zu. Die Mathematik ist sehr pr\u00e4zise darin, wann etwas funktioniert oder nicht, und was die Bedingungen und Kompromisse sind. Es gibt auch viel Literatur \u00fcber\u00a0<a href=\"https:\/\/en.wikipedia.org\/wiki\/Imputation_(statistics)\" target=\"_tabs\" rel=\"noopener noreferrer\">Datenimputation<\/a>\u2013 Fachleute schreiben ihre Doktorarbeiten \u00fcber dieses Problem.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Doch dann stie\u00df ich (eher zuf\u00e4llig) auf einen anderen Ansatz. Anstatt zu versuchen, die Daten zu imputieren, nutzen Sie Algorithmen, die keine Datenimputation erfordern. Diese funktionieren sofort \u2013 ob mit fehlenden Werten oder ohne. Klingt wie ein M\u00e4rchen, oder?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">W\u00e4hrend meiner Recherche erw\u00e4hnte niemand so etwas. Ich sprach mit Promovierten und Fachleuten aus diesem Bereich und h\u00f6rte immer nur von Datenimputation.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dann stie\u00df ich auf einen\u00a0<a href=\"https:\/\/www.coursera.org\/\" target=\"_tabs\" rel=\"noopener noreferrer\">Coursera<\/a>\u00a0Kurs, der sehr detailliert auf Entscheidungsbaum-Algorithmen einging. Entscheidungsb\u00e4ume funktionieren so, dass an der Wurzel begonnen wird und man mit einer bestimmten Wahrscheinlichkeit nach links oder rechts geht. Hier ist ein Entscheidungsbaum f\u00fcr das \u00dcberleben von Fahrg\u00e4sten auf der Titanic:<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" class=\"wp-image-4860\" width=\"360\" height=\"340\" src=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/titanic-probability.png\" alt=\"A decision tree for the outcome of the Titanic survivors\" srcset=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/titanic-probability.png 360w, https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/titanic-probability-300x283.png 300w\" sizes=\"(max-width: 360px) 100vw, 360px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Wie\u00a0<a href=\"http:\/\/scikit-learn.org\/stable\/modules\/tree.html#tree-algorithms-id3-c4-5-c5-0-and-cart\" target=\"_tabs\" rel=\"noopener noreferrer\">Entscheidungsbaum-Algorithmen<\/a>\u00a0wie C4.5, C5.0 und CART fehlende Werte ber\u00fccksichtigen, sieht so aus:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Stellen Sie sich vor, ein Merkmalswert ist unbekannt. Das bedeutet, Sie k\u00f6nnen die Bedingung nicht \u00fcberpr\u00fcfen und wissen nicht, welchem Zweig Sie folgen sollen. Ein g\u00e4ngiger Ansatz ist die Verwendung des h\u00e4ufigsten Wertes. Dies entspricht im Grunde der Wahl des wahrscheinlichsten Zweigs.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Baumalgorithmen betrachten beide Zweige mit Gewichtungen, die der Wahrscheinlichkeit der Zweige entsprechen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Lernen an einem Beispiel<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Ziehen wir ein weiteres Beispiel heran. Hier ist ein Wahrscheinlichkeitsbaum aus einem einfachen\u00a0<a href=\"http:\/\/www.dominatethegmat.com\/2011\/10\/gmat-probability-questions-matrix-problems\/\" target=\"_tabs\" rel=\"noopener noreferrer\">GMAT-Test<\/a>\u00a0der eine Stichprobengr\u00f6\u00dfe von 100 Studierenden in einer Hochschulklasse annimmt:<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" class=\"wp-image-4861\" width=\"444\" height=\"343\" src=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/GMAT-sample-decision-tree.jpg\" alt=\"A GMAT decision tree for college students\" srcset=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/GMAT-sample-decision-tree.jpg 444w, https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/GMAT-sample-decision-tree-300x232.jpg 300w\" sizes=\"(max-width: 444px) 100vw, 444px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00fcr m\u00e4nnliche Personen betr\u00e4gt die Wahrscheinlichkeit, ledig zu sein,<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><code>50 \/ 70 = 71 %<\/code><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00fcr weibliche Personen betr\u00e4gt die Wahrscheinlichkeit, ledig zu sein,<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><code>20 \/ 30 = 67 %<\/code><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ist das Geschlecht unbekannt, betr\u00e4gt die Wahrscheinlichkeit, ledig zu sein,<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><code>(0,7\u00a0<\/code><i>71 %) + (0,3\u00a0<\/i><code>67 %) = 70 %<\/code><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">0,7, da 70 von 100 Studierenden m\u00e4nnlich sind. 0,3, da 30 von 100 Studierenden weiblich sind.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Indem die Gesamtwahrscheinlichkeit in Zweigwahrscheinlichkeiten mit Gewichtungen aufgeteilt wird, werden alle M\u00f6glichkeiten ber\u00fccksichtigt. Im Allgemeinen halte ich dies f\u00fcr eine viel bessere Methode, um fehlende Daten zu bew\u00e4ltigen und dem Modell beizubringen, zuk\u00fcnftige Werte zu generalisieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Leider unterst\u00fctzen Bibliotheken, die diese Algorithmen implementieren, selten fehlende Werte. Zum Beispiel\u00a0<a href=\"http:\/\/scikit-learn.org\/stable\/\" target=\"_tabs\" rel=\"noopener noreferrer\">scikit-learn<\/a>\u00a0-Bibliothek \u2013 die De-facto-Machine-Learning-Bibliothek f\u00fcr Python \u2013 erfordert, dass alle Werte numerisch sind.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dennoch gibt es gute Bibliotheken wie\u00a0<a href=\"https:\/\/orange.biolab.si\/\" target=\"_tabs\" rel=\"noopener noreferrer\">Orange<\/a>\u00a0die fehlende Werte unterst\u00fctzen. Und wie sich zeigt, l\u00e4sst sich diese Einschr\u00e4nkung \u00fcberwinden.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Die Leistungsf\u00e4higkeit der Datenimputation<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Anfangs machte mich dieser mangelnde Support f\u00fcr fehlende Werte sowohl w\u00fctend als auch am\u00fcsiert. Ernsthaft, warum l\u00e4sst sich ausgerechnet der Algorithmus, dessen Vorteil der integrierte Support f\u00fcr fehlende Werte ist, nicht ohne Datenimputation nutzen? Mal ehrlich.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" class=\"wp-image-4862\" width=\"1024\" height=\"576\" src=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/Dwight-Panic.png\" alt=\"Dwight from &quot;The Office&quot; in a panicked expression\" srcset=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/Dwight-Panic.png 1024w, https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/Dwight-Panic-300x169.png 300w, https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/Dwight-Panic-768x432.png 768w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n    <div data-content-type=\"longform\" class=\"code-snippet longform-spacings rounded-lg overflow-hidden shadow \" data-count=\"1\">\r\n        <ul class=\"nav nav-buttons code-snippet__tabs longform-except position-relative d-flex gap-2 flex-wrap p-3\" role=\"tablist\">\r\n\r\n                            \r\n                    \r\n                        <li class=\"nav-item\" role=\"presentation\">\r\n                            <button class=\"nav-link active\" data-bs-toggle=\"tab\" data-bs-target=\"#code_0\" type=\"button\" role=\"tab\" aria-controls=\"code_0\" aria-selected=\"true\">\r\n                                PHP                            <\/button>\r\n                        <\/li>\r\n\r\n                    \r\n                            \r\n        <\/ul>\r\n        <div class=\"code-snippet__tab-content tab-content\">\r\n\r\n                            \r\n                    <div class=\"tab-pane show active\" id=\"code_0\" role=\"tabpanel\" aria-labelledby=\"code_0\">\r\n                        <div class=\"code-snippet__code-wrapper\">\r\n                            <div class=\"nav nav-buttons code-snippet__copy-wrapper\">\r\n                                <button type=\"button\" class=\"nav-link code-snippet__copy\" data-clipboard-target=\"#code_0_content\" data-clipboard-label=\"In die Zwischenablage kopieren\" data-clipboard-success-label=\"Kopiert\" data-clipboard-error-label=\"Kopieren nicht m\u00f6glich\" data-tooltip=\"In die Zwischenablage kopieren\" data-tooltip-placement=\"left\" role=\"tooltip\" aria-label=\"In die Zwischenablage kopieren\">\r\n                                    <svg class=\"code-snippet__copy-icon code-snippet__copy-icon--default\" width=\"24\" height=\"24\" aria-hidden=\"true\" data-url=\"https:\/\/www.mailgun.com\/wp-content\/plugins\/sinch-core\/assets\/icons\/sinch\/file-stack.svg\"><\/svg>\r\n                                    <svg class=\"code-snippet__copy-icon code-snippet__copy-icon--success\" width=\"24\" height=\"24\" aria-hidden=\"true\" data-url=\"https:\/\/www.mailgun.com\/wp-content\/plugins\/sinch-core\/assets\/icons\/sinch\/badge-check.svg\"><\/svg>\r\n                                <\/button>\r\n                            <\/div>\r\n                            <pre class=\"w-100 h-100 m-0 line-numbers language-PHP\">\r\n                                <code id=\"code_0_content\" class=\"language-PHP\">\r\n\r\n                                    import randomrndef impute_gender():rnreturn random.choice([&quot;Male&quot;] * 70 + [&quot;Female&quot;] * 30)\r\n                                <\/code>\r\n                            <\/pre>\r\n                        <\/div>\r\n                    <\/div>\r\n                                    <\/div>\r\n    <\/div>\r\n\n\n\n<p class=\"wp-block-paragraph\">Das Sch\u00f6ne an der Datenimputation ist, dass sie sich auf jeden Machine-Learning-Algorithmus anwenden l\u00e4sst, nicht nur auf Entscheidungsb\u00e4ume.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das hat mich v\u00f6llig verbl\u00fcfft. Aus einem Hindernis wurde eine L\u00f6sung, alles dank derselben einfachen Idee.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Erkenntnisse<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Unabh\u00e4ngig davon, in welchem Bereich Sie arbeiten oder wie gut Sie beim Sammeln von Daten sind, es werden immer fehlende Werte auftreten. Vielleicht arbeiten Sie an einer Credit-Scoring-Anwendung. Oder Sie versuchen vorherzusagen, wann E-Mail-Empf\u00e4nger ihre Nachrichten am wahrscheinlichsten \u00f6ffnen, um den Versand entsprechend zu planen. Reale Aufgaben weisen oft L\u00fccken auf.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es gibt viele verschiedene Herangehensweisen an das Problem fehlender Werte, und je nach Anwendungsfall fallen die Antworten unterschiedlich aus. Doch im Kern einer komplexen L\u00f6sung liegt oft eine einfache Idee.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">N\u00fctzliche Links<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Wiki-Artikel zu <a href=\"https:\/\/en.wikipedia.org\/wiki\/Imputation_(statistics)\" target=\"_tabs\" rel=\"noopener noreferrer\">Datenimputation<\/a><\/li>\n\n\n\n<li>Einige g\u00e4ngige Methoden, um <a href=\"https:\/\/stackoverflow.com\/questions\/35680426\/missing-value-in-data-analysis\" target=\"_tabs\" rel=\"noopener noreferrer\">fehlende Werte zu imputieren<\/a>\u00a0<\/li>\n\n\n\n<li>Quora-Artikel dar\u00fcber, wie <a href=\"https:\/\/www.quora.com\/In-simple-language-how-does-C4-5-deal-with-missing-values\" target=\"_tabs\" rel=\"noopener noreferrer\">Entscheidungsb\u00e4ume fehlende Werte behandeln<\/a>\u00a0<\/li>\n\n\n\n<li><a href=\"https:\/\/orange.biolab.si\/\" target=\"_tabs\" rel=\"noopener noreferrer\">Orange<\/a> \u2013 h\u00e4ufig genutzte Machine-Learning-Bibliothek in Python, die fehlende Werte unterst\u00fctzt<\/li>\n\n\n\n<li><a href=\"https:\/\/www.mailgun.com\/de\/?blog_category=machine-learning-for-everyday-tasks\" target=\"_tabs\" rel=\"noopener noreferrer\">Das Modell testen<\/a> um realen Aufgaben standzuhalten<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Viel Erfolg beim Machine Learning. Wie gehen Sie mit fehlenden Werten um? Teilen Sie es unten in den Kommentaren mit \u2026<\/p>\n\n\n\r\n    <aside data-content-type=\"longform\"  class=\"banner-block longform-spacings rounded-lg shadow-lg px-5 py-6 px-md-6 py-md-7 p-lg-7 bg-light\" data-theme=\"dark\" aria-labelledby=\"banner-block-block_e269c9c663dd6fab993586bbf4ed857f\">\r\n                    <p class=\"text-uppercase section-caption text-body-color\">\r\n                Registrieren            <\/p>\r\n                            <p class=\"h4 text-accent fw-bold\" id=\"banner-block-block_e269c9c663dd6fab993586bbf4ed857f\">\r\n                Loslegen ist ganz einfach. Und es ist kostenlos.            <\/p>\r\n                            <div class=\"mb-0 text-body-color\">\r\n                                    <div class=\"content-body mb-0 text-body-color\">Erfahren Sie, was Sie mit der weltbesten Plattform f\u00fcr E-Mail-Zustellung alles erreichen k\u00f6nnen.<\/div>\r\n                            <\/div>\r\n        \r\n        <div class=\"text-start mt-5\"><a href=\"https:\/\/signup.mailgun.com\/new\/signup\"  class=\"btn btn-secondary\" >Get started<\/a><\/div>\r\n    <\/aside>\r\n\r\n","protected":false},"excerpt":{"rendered":"<p>Sie haben ein Projekt und m\u00f6chten darauf Machine Learning anwenden. Sie beginnen einfach: ein Merkmal hinzuf\u00fcgen, Daten sammeln, ein Modell erstellen. Sie f\u00fcgen ein weiteres \u00e4u\u00dferst n\u00fctzliches Merkmal hinzu, das jedoch nur in der H\u00e4lfte Ihrer Datenpunkte vorhanden ist. Sie m\u00f6chten klug vorgehen und alle verf\u00fcgbaren Daten nutzen (einschlie\u00dflich derer mit fehlenden Werten), aber wie stellen Sie das an?<\/p>\n","protected":false},"author":47,"featured_media":4843,"menu_order":0,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog_category":[23],"class_list":["post-24989","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog_category-it-and-engineering"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.4 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun<\/title>\n<meta name=\"description\" content=\"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun\" \/>\n<meta property=\"og:description\" content=\"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/\" \/>\n<meta property=\"og:site_name\" content=\"Transactional Email API Service For Developers | Mailgun\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-16T19:10:24+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/MG-Blog-IT-Engineering.png\" \/>\n\t<meta property=\"og:image:width\" content=\"720\" \/>\n\t<meta property=\"og:image:height\" content=\"448\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"5\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/\",\"url\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/\",\"name\":\"Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.mailgun.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/MG-Blog-IT-Engineering.png\",\"datePublished\":\"2019-07-16T00:00:00+00:00\",\"dateModified\":\"2026-09-16T19:10:24+00:00\",\"description\":\"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.mailgun.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/MG-Blog-IT-Engineering.png\",\"contentUrl\":\"https:\\\/\\\/www.mailgun.com\\\/wp-content\\\/uploads\\\/2025\\\/07\\\/MG-Blog-IT-Engineering.png\",\"width\":720,\"height\":448},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/it-and-engineering\\\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Blog\",\"item\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Blinde Flecken durch fehlende Daten beim Machine Learning vermeiden\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/\",\"name\":\"Transactional Email API Service For Developers | Mailgun\",\"description\":\"Leistungsstarke Transaktions-E-Mail-APIs, mit denen Sie E-Mails senden, empfangen und nachverfolgen k\u00f6nnen, speziell f\u00fcr Entwickler konzipiert. Erfahren Sie noch heute mehr!\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#organization\",\"name\":\"Transactional Email API Service For Developers | Mailgun\",\"url\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.mailgun.com\\\/wp-content\\\/uploads\\\/2025\\\/06\\\/cropped-android-chrome-512x512-1.png\",\"contentUrl\":\"https:\\\/\\\/www.mailgun.com\\\/wp-content\\\/uploads\\\/2025\\\/06\\\/cropped-android-chrome-512x512-1.png\",\"width\":512,\"height\":512,\"caption\":\"Transactional Email API Service For Developers | Mailgun\"},\"image\":{\"@id\":\"https:\\\/\\\/www.mailgun.com\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun","description":"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/","og_locale":"de_DE","og_type":"article","og_title":"Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun","og_description":"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.","og_url":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/","og_site_name":"Transactional Email API Service For Developers | Mailgun","article_modified_time":"2026-09-16T19:10:24+00:00","og_image":[{"width":720,"height":448,"url":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/MG-Blog-IT-Engineering.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Est. reading time":"5\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/","url":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/","name":"Fehlende Werte mit Datenimputation in Machine-Learning-Modellen vorhersagen - Transactional Email API Service For Developers | Mailgun","isPartOf":{"@id":"https:\/\/www.mailgun.com\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/#primaryimage"},"image":{"@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/#primaryimage"},"thumbnailUrl":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/MG-Blog-IT-Engineering.png","datePublished":"2019-07-16T00:00:00+00:00","dateModified":"2026-09-16T19:10:24+00:00","description":"Trainieren Sie Ihr Modell, fehlende Werte mithilfe von Entscheidungsb\u00e4umen und Machine-Learning-Algorithmen abzuleiten, um allt\u00e4gliche Aufgaben zu l\u00f6sen.","breadcrumb":{"@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/#primaryimage","url":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/MG-Blog-IT-Engineering.png","contentUrl":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/07\/MG-Blog-IT-Engineering.png","width":720,"height":448},{"@type":"BreadcrumbList","@id":"https:\/\/www.mailgun.com\/de\/blog\/it-and-engineering\/blinde-flecken-fehlende-daten-machine-learning-vermeiden\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.mailgun.com\/de\/"},{"@type":"ListItem","position":2,"name":"Blog","item":"https:\/\/www.mailgun.com\/de\/blog\/"},{"@type":"ListItem","position":3,"name":"Blinde Flecken durch fehlende Daten beim Machine Learning vermeiden"}]},{"@type":"WebSite","@id":"https:\/\/www.mailgun.com\/de\/#website","url":"https:\/\/www.mailgun.com\/de\/","name":"Transactional Email API Service For Developers | Mailgun","description":"Leistungsstarke Transaktions-E-Mail-APIs, mit denen Sie E-Mails senden, empfangen und nachverfolgen k\u00f6nnen, speziell f\u00fcr Entwickler konzipiert. Erfahren Sie noch heute mehr!","publisher":{"@id":"https:\/\/www.mailgun.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.mailgun.com\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.mailgun.com\/de\/#organization","name":"Transactional Email API Service For Developers | Mailgun","url":"https:\/\/www.mailgun.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.mailgun.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/06\/cropped-android-chrome-512x512-1.png","contentUrl":"https:\/\/www.mailgun.com\/wp-content\/uploads\/2025\/06\/cropped-android-chrome-512x512-1.png","width":512,"height":512,"caption":"Transactional Email API Service For Developers | Mailgun"},"image":{"@id":"https:\/\/www.mailgun.com\/de\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/blog\/24989","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/users\/47"}],"version-history":[{"count":2,"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/blog\/24989\/revisions"}],"predecessor-version":[{"id":25079,"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/blog\/24989\/revisions\/25079"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/media\/4843"}],"wp:attachment":[{"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/media?parent=24989"}],"wp:term":[{"taxonomy":"blog_category","embeddable":true,"href":"https:\/\/www.mailgun.com\/de\/wp-json\/wp\/v2\/blog_category?post=24989"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}