Vorhersage der Marathon-Zielzeit

Dieses Projekt entwickelte eine Machine-Learning-Pipeline zur Vorhersage von Marathon-Zielzeiten auf Basis leicht zugänglicher Trainings- und physiologischer Daten. Mit einem synthetischen Datensatz von 100.000 Läufer:innen-Profilen reduzierten wir den Feature-Raum auf 23 Variablen und konstruierten zentrale Kennzahlen, darunter relative_experience und heart_efficiency (ein Proxy für die kardiale Ökonomie).

Eine Lasso-Regression identifizierte die Grundgeschwindigkeit, Lauferfahrung und kardiale Effizienz als wichtigste unabhängige Prädiktoren. Unter sechs getesteten Modellen (von linearen Ansätzen bis hin zu Neural Networks) erzielte XGBoost die beste Performance mit einem MAE von 9,87 Minuten und einem R² von 86,23 %.

Eine SHAP-Analyse bestätigte, dass die Modellvorhersagen mit sportwissenschaftlichen Erkenntnissen übereinstimmen und hob insbesondere persönliche Bestzeit, kardiale Ökonomie und Verletzungshistorie als dominante Einflussfaktoren hervor. Abschließend wurde ein interaktives ipywidgets-Dashboard zur Echtzeit-Validierung implementiert.