Machine translation by Deepseek V4 Flash

po/QML-de.po

@@ -1751,7 +1751,7 @@ msgstr "Epsilon"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The epsilon parameter in the insensitive-loss function."
-msgstr ""
+msgstr "Der Epsilon-Parameter in der toleranten Verlustfunktion."
 
 msgctxt "SupportVectors|"
 msgid "Support vectors"
@@ -2576,6 +2576,16 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Fuzzy-c-Means-Clustering ist ein weiches Partitionierungsverfahren, das ein "
+"Ergebnis liefert, das den Grad der Zugehörigkeit jeder Beobachtung zu jedem "
+"Cluster enthält. Dadurch können Datenbeobachtungen teilweise mehreren "
+"Clustern zugeordnet werden und ein Maß für die Sicherheit der "
+"Clusterzugehörigkeit angegeben werden. Der Ansatz des Fuzzy-c-Means "
+"ähnelt stark dem des k-Means-Clustering, abgesehen von seinem weichen "
+"Ansatz.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringHierarchical|"
 msgid ""
@@ -2588,6 +2598,14 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Hierarchisches Clustering ist ein hartes Partitionierungsverfahren, das "
+"darauf abzielt, Daten in mehrere Cluster zu unterteilen, wobei jede "
+"Beobachtung nur einer Gruppe angehört. Die Daten werden so aufgeteilt, dass "
+"der Grad der Ähnlichkeit zwischen zwei Datenbeobachtungen maximal ist, wenn "
+"sie zur selben Gruppe gehören, und minimal, wenn nicht.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringKMeans|"
 msgid ""
@@ -2600,6 +2618,15 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Nachbarschaftsbasiertes Clustering umfasst eine Reihe von harten "
+"Partitionierungsverfahren, die darauf abzielen, Daten in mehrere Cluster zu "
+"unterteilen, wobei jede Beobachtung nur einer Gruppe angehört. Die Daten "
+"werden so aufgeteilt, dass der Grad der Ähnlichkeit zwischen zwei "
+"Datenbeobachtungen maximal ist, wenn sie zur selben Gruppe gehören, und "
+"minimal, wenn nicht.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringRandomForest|"
 msgid ""
@@ -2614,6 +2641,17 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Random-Forest-Clustering ist ein hartes Partitionierungsverfahren, das "
+"darauf abzielt, Daten in mehrere Cluster zu unterteilen, wobei jede "
+"Beobachtung nur einer Gruppe angehört. Diese Clustering-Methode verwendet "
+"den Random-Forest-Algorithmus auf unüberwachte Weise, wobei die "
+"Ergebnisvariable 'y' auf NULL gesetzt ist. Der Random-Forest-Algorithmus "
+"erzeugt eine Näherungsmatrix, die eine Schätzung des Abstands zwischen "
+"Beobachtungen auf Grundlage der Häufigkeit von Beobachtungen liefert, die "
+"im selben Blattknoten landen.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlPrediction|"
 msgid "Cases"
@@ -2636,6 +2674,14 @@ msgid ""
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
+"Boosting funktioniert, indem dem Ensemble aus Entscheidungsbäumen "
+"nacheinander Merkmale hinzugefügt werden, wobei jedes das vorherige "
+"korrigiert. Boosting versucht, das neue Merkmal an die Residualfehler "
+"anzupassen, die das vorherige Merkmal verursacht hat.\n"
+"### Annahmen\n"
+"- Die Zielvariable ist eine kontinuierliche Variable.\n"
+"- Die Merkmalsvariablen bestehen aus kontinuierlichen, nominalen oder "
+"ordinalen Variablen."
 
 msgctxt "mlRegressionBoosting|"
 msgid "The loss function used."
@@ -2849,14 +2895,21 @@ msgid ""
 "accuracy of the model. Accuracy is assessed for the training (and "
 "validation) set."
 msgstr ""
+"Bei Regression: Plottet den Komplexitätsabzug gegen den MSE (mittleren "
+"quadratischen Fehler) des Modells. Die Genauigkeit wird für das Trainings- "
+"(und Validierungs-) Set bewertet. Bei Klassifikation: Plottet den "
+"Komplexitätsabzug gegen die Klassifikationsgenauigkeit des Modells. Die "
+"Genauigkeit wird für das Trainings- (und Validierungs-) Set bewertet."
 
 msgctxt "ModelOptimization|"
 msgid "Costs of Contraints Violation"
-msgstr ""
+msgstr "Kosten der Verletzung von Nebenbedingungen"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified cost of constraints violation."
 msgstr ""
+"Ermöglicht es Ihnen, eine benutzerdefinierte Kosten-Verletzung von "
+"Nebenbedingungen zu verwenden."
 
 msgctxt "ModelOptimization|"
 msgid "Violation cost"
@@ -2867,6 +2920,8 @@ msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the cost of constraints violation."
 msgstr ""
+"Ermöglicht es Ihnen, den Vorhersagefehler auf einem Validierungsdatensatz "
+"bezüglich der Kosten der Verletzung von Nebenbedingungen zu optimieren."
 
 #, fuzzy
 msgctxt "ModelOptimization|"
@@ -2878,6 +2933,8 @@ msgid ""
 "Sets the maximum value of the cost of constraints violation to be "
 "considered. At default, this is set to 5."
 msgstr ""
+"Setzt den maximalen Wert der zu berücksichtigenden Kosten der Verletzung "
+"von Nebenbedingungen fest. Standardmäßig ist dieser auf 5 gesetzt."
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -2887,6 +2944,12 @@ msgid ""
 "classification accuracy of the model. Accuracy is assessed for the training "
 "(and validation) set."
 msgstr ""
+"Bei Regression: Plottet die Kosten der Verletzung von Nebenbedingungen "
+"gegen den MSE (mittleren quadratischen Fehler) des Modells. Die Genauigkeit "
+"wird für das Trainings- (und Validierungs-) Set bewertet. Bei Klassifikation: "
+"Plottet die Kosten der Verletzung von Nebenbedingungen gegen die "
+"Klassifikationsgenauigkeit des Modells. Die Genauigkeit wird für das "
+"Trainings- (und Validierungs-) Set bewertet."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid ""
@@ -2898,6 +2961,13 @@ msgid ""
 "- The features are independent.\n"
 "- The features are normally distributed given the target class."
 msgstr ""
+"Naive Bayes berechnet die bedingten Posterior-Wahrscheinlichkeiten einer "
+"kategorialen Zielvariablen unter gegebenen unabhängigen Prädiktorvariablen "
+"mithilfe der Bayes-Regel.\n"
+"### Annahmen\n"
+"- Die Zielvariable ist eine nominale oder ordinale Variable.\n"
+"- Die Merkmale sind unabhängig.\n"
+"- Die Merkmale sind gegeben die Zielklasse normalverteilt."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Tables"
@@ -2941,6 +3011,8 @@ msgid ""
 "A positive double controlling the amount of Laplace smoothing applied. The "
 "default (0) disables Laplace smoothing alltogether."
 msgstr ""
+"Ein positives Double, das die Menge der angewendeten Laplace-Glättung "
+"steuert. Der Standardwert (0) deaktiviert die Laplace-Glättung vollständig."
 
 msgctxt "FeatureImportance|"
 msgid "Permutations"
@@ -2950,10 +3022,12 @@ msgctxt "FeatureImportance|"
 msgid ""
 "Sets the number of permutations on which the mean dropout loss is based."
 msgstr ""
+"Legt die Anzahl der Permutationen fest, auf denen der mittlere Dropout-Verlust "
+"basiert."
 
 msgctxt "Description|"
 msgid "Model-Based"
-msgstr ""
+msgstr "Modellbasiert"
 
 msgctxt "Description|"
 msgid "Model-Based Clustering"
@@ -2969,6 +3043,10 @@ msgid ""
 "models. The models are estimated by EM algorithm initialized by hierarchical "
 "model-based agglomerative clustering."
 msgstr ""
+"Modellbasiertes Clustering basiert auf parametrisierten endlichen "
+"Gaußschen Mischmodellen. Die Modelle werden mithilfe des EM-Algorithmus "
+"geschätzt, der durch ein hierarchisches modellbasiertes agglomeratives "
+"Clustering initialisiert wird."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Tables"
@@ -3008,59 +3086,59 @@ msgstr "Auto"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EII"
-msgstr ""
+msgstr "EII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VII"
-msgstr ""
+msgstr "VII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEI"
-msgstr ""
+msgstr "EEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEI"
-msgstr ""
+msgstr "VEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVI"
-msgstr ""
+msgstr "EVI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEE"
-msgstr ""
+msgstr "EEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEE"
-msgstr ""
+msgstr "VEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVE"
-msgstr ""
+msgstr "EVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVE"
-msgstr ""
+msgstr "VVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEV"
-msgstr ""
+msgstr "EEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEV"
-msgstr ""
+msgstr "VEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVV"
-msgstr ""
+msgstr "EVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVV"
-msgstr ""
+msgstr "VVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Choose the model to be fitted in the EM step of the clustering."
-msgstr ""
+msgstr "Wählen Sie das Modell, das im EM-Schritt des Clusterings angepasst werden soll."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Max. iterations"
@@ -3090,6 +3168,10 @@ msgid ""
 "breakdown algoritm from the `ibreakdown` R package. For more details about "
 "this method, see Gosiewska and Biecek (2019)."
 msgstr ""
+"Zeigt eine Zerlegung der Vorhersagen des Modells in Beiträge, die einzelnen "
+"Modellmerkmalen zugeordnet werden können. Diese Funktion verwendet den "
+"Breakdown-Algorithmus aus dem R-Paket `ibreakdown`. Weitere Einzelheiten "
+"zu dieser Methode finden Sie in Gosiewska und Biecek (2019)."
 
 msgctxt "DataSplit|"
 msgid "e.g., testSet"
@@ -3101,7 +3183,7 @@ msgstr "Logistisch / Multinomial"
 
 msgctxt "Description|"
 msgid "Logistic / Multinomial Regression Classification"
-msgstr ""
+msgstr "Logistische / Multinomiale Regressions-Klassifikation"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid ""
@@ -3159,7 +3241,7 @@ msgstr "Cauchit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Complimentary log-log"
-msgstr ""
+msgstr "Komplemäntärer Log-Log"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Log"
@@ -3185,25 +3267,34 @@ msgid ""
 "then be split into a training (and validation if requested) set (0), and a "
 "test set (1) according to your indicator."
 msgstr ""
+"Verwenden Sie eine Indikatorvariable, um Daten für das Testset auszuwählen. "
+"Diese Indikatorvariable sollte eine Spalte vom Typ Skala in Ihren Daten "
+"sein, die nur aus 0 (aus dem Testset ausgeschlossen) und 1 (in das Testset "
+"eingeschlossen) besteht. Die Daten werden dann gemäß Ihrem Indikator in ein "
+"Trainingsset (und auf Wunsch Validierungsset) (0) und ein Testset (1) "
+"aufgeteilt."
 
 msgctxt "ExportResults|"
 msgid "Add probabilities (classification only)"
-msgstr ""
+msgstr "Wahrscheinlichkeiten hinzufügen (nur Klassifikation)"
 
 msgctxt "ExportResults|"
 msgid ""
 "In classification analyses, append the predicted probabilities for each "
 "class to the data. For neural networks, this option provides the output of "
 "the final layer."
 msgstr ""
+"Bei Klassifikationsanalysen werden die vorhergesagten Wahrscheinlichkeiten "
+"für jede Klasse an die Daten angehängt. Bei neuronalen Netzwerken liefert "
+"diese Option die Ausgabe der letzten Schicht."
 
 msgctxt "Description|"
 msgid "Supervised Learning"
-msgstr ""
+msgstr "Überwachtes Lernen"
 
 msgctxt "Description|"
 msgid "Unsupervised Learning"
-msgstr ""
+msgstr "Unüberwachtes Lernen"
 
 msgctxt "ModelPerformance|"
 msgid ""
@@ -3213,3 +3304,9 @@ msgid ""
 "the F1-score, support, AUC (area under the ROC curve) and more. For "
 "clustering, these metrics include entropy, Dunn index and more."
 msgstr ""
+"Zeigt verfügbare Modell-Performance-Maße an. Bei Regression umfassen diese "
+"Maße den mittleren quadratischen Fehler (MSE), die Wurzel aus dem mittleren "
+"quadratischen Fehler (RMSE), R<sup>2</sup> und weitere. Bei Klassifikation "
+"umfassen diese Maße Präzision, Sensitivität (Recall), den F1-Score, "
+"Support, AUC (Fläche unter der ROC-Kurve) und weitere. Bei Clustering "
+"umfassen diese Maße Entropie, den Dunn-Index und weitere."