{"id":1163,"date":"2023-07-27T10:43:39","date_gmt":"2023-07-27T10:43:39","guid":{"rendered":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/"},"modified":"2023-07-27T10:43:39","modified_gmt":"2023-07-27T10:43:39","slug":"lineare-diskriminanzanalyse-in-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/","title":{"rendered":"Lineare diskriminanzanalyse in python (schritt f\u00fcr schritt)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse\/\" target=\"_blank\" rel=\"noopener noreferrer\">Die lineare Diskriminanzanalyse<\/a> ist eine Methode, die Sie verwenden k\u00f6nnen, wenn Sie \u00fcber eine Reihe von Pr\u00e4diktorvariablen verf\u00fcgen und eine <a href=\"https:\/\/statorials.org\/de\/variablen-erklarende-antworten\/\" target=\"_blank\" rel=\"noopener noreferrer\">Antwortvariable<\/a> in zwei oder mehr Klassen klassifizieren m\u00f6chten.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer linearen Diskriminanzanalyse in Python.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 1: Laden Sie die erforderlichen Bibliotheken<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Zuerst laden wir die f\u00fcr dieses Beispiel ben\u00f6tigten Funktionen und Bibliotheken:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><b><span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> RepeatedStratifiedKFold\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> cross_val_score\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">discriminant_analysis<\/span> <span style=\"color: #008000;\">import<\/span> LinearDiscriminantAnalysis \n<span style=\"color: #008000;\">from<\/span> sklearn <span style=\"color: #008000;\">import<\/span> datasets\n<span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np<\/b><\/span><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 2: Daten laden<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">F\u00fcr dieses Beispiel verwenden wir den <strong>Iris-<\/strong> Datensatz aus der Sklearn-Bibliothek. Der folgende Code zeigt, wie dieser Datensatz geladen und zur einfacheren Verwendung in einen Pandas-DataFrame konvertiert wird:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#load <em>iris<\/em> dataset<\/span>\niris = datasets. <span style=\"color: #3366ff;\">load_iris<\/span> ()\n\n<span style=\"color: #008080;\">#convert dataset to pandas DataFrame\n<\/span>df = pd.DataFrame(data = np.c_[iris[' <span style=\"color: #008000;\">data<\/span> '], iris[' <span style=\"color: #008000;\">target<\/span> ']],\n                 columns = iris[' <span style=\"color: #008000;\">feature_names<\/span> '] + [' <span style=\"color: #008000;\">target<\/span> '])\ndf[' <span style=\"color: #008000;\">species<\/span> '] = pd. <span style=\"color: #3366ff;\">Categorical<\/span> . <span style=\"color: #3366ff;\">from_codes<\/span> (iris.target, iris.target_names)\ndf.columns = [' <span style=\"color: #008000;\">s_length<\/span> ', ' <span style=\"color: #008000;\">s_width<\/span> ', ' <span style=\"color: #008000;\">p_length<\/span> ', ' <span style=\"color: #008000;\">p_width<\/span> ', ' <span style=\"color: #008000;\">target<\/span> ', ' <span style=\"color: #008000;\">species<\/span> ']\n\n<span style=\"color: #008080;\">#view first six rows of DataFrame\n<\/span>df. <span style=\"color: #3366ff;\">head<\/span> ()\n\n   s_length s_width p_length p_width target species\n0 5.1 3.5 1.4 0.2 0.0 setosa\n1 4.9 3.0 1.4 0.2 0.0 setosa\n2 4.7 3.2 1.3 0.2 0.0 setosa\n3 4.6 3.1 1.5 0.2 0.0 setosa\n4 5.0 3.6 1.4 0.2 0.0 setosa\n\n<span style=\"color: #3366ff;\"><span style=\"color: #008080;\">#find how many total observations are in dataset<\/span>\n<span style=\"color: #000000;\">len( <span style=\"color: #3366ff;\">df.index<\/span> )\n\n150<\/span><\/span><\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Wir k\u00f6nnen sehen, dass der Datensatz insgesamt 150 Beobachtungen enth\u00e4lt.<\/span><\/p>\n<p> <span style=\"color: #000000;\">F\u00fcr dieses Beispiel erstellen wir ein lineares Diskriminanzanalysemodell, um zu klassifizieren, zu welcher Art eine bestimmte Blume geh\u00f6rt.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Wir werden die folgenden Pr\u00e4diktorvariablen im Modell verwenden:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Kelchl\u00e4nge<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kelchblattbreite<\/span><\/li>\n<li> <span style=\"color: #000000;\">Bl\u00fctenblattl\u00e4nge<\/span><\/li>\n<li> <span style=\"color: #000000;\">Bl\u00fctenblattbreite<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Und wir werden sie verwenden, um die Antwortvariable <em>\u201eSpecies\u201c<\/em> vorherzusagen, die die folgenden drei m\u00f6glichen Klassen unterst\u00fctzt:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">setosa<\/span><\/li>\n<li> <span style=\"color: #000000;\">versicolor<\/span><\/li>\n<li> <span style=\"color: #000000;\">Virginia<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 3: Passen Sie das LDA-Modell an<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Als N\u00e4chstes passen wir das LDA-Modell mithilfe der <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/generated\/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html\" target=\"_blank\" rel=\"noopener noreferrer\">LinearDiscriminantAnalsys<\/a> -Funktion von sklearn an unsere Daten an:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define predictor and response variables\n<\/span>X = df[[' <span style=\"color: #008000;\">s_length<\/span> ',' <span style=\"color: #008000;\">s_width<\/span> ',' <span style=\"color: #008000;\">p_length<\/span> ',' <span style=\"color: #008000;\">p_width<\/span> ']]\ny = df[' <span style=\"color: #008000;\">species<\/span> ']\n\n<span style=\"color: #008080;\">#Fit the LDA model\n<\/span>model = LinearDiscriminantAnalysis()\nmodel. <span style=\"color: #3366ff;\">fit<\/span> (x,y)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 4: Verwenden Sie das Modell, um Vorhersagen zu treffen<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Sobald wir das Modell mithilfe unserer Daten angepasst haben, k\u00f6nnen wir die Leistung des Modells mithilfe einer wiederholten geschichteten k-fachen Kreuzvalidierung bewerten.<\/span><\/p>\n<p> <span style=\"color: #000000;\">F\u00fcr dieses Beispiel verwenden wir 10 Faltungen und 3 Wiederholungen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#Define method to evaluate model\n<span style=\"color: #000000;\">cv = RepeatedStratifiedKFold(n_splits= <span style=\"color: #008000;\">10<\/span> , n_repeats= <span style=\"color: #008000;\">3<\/span> , random_state= <span style=\"color: #008000;\">1<\/span> )\n<\/span>\n#evaluate model\n<span style=\"color: #000000;\">scores = cross_val_score(model, X, y, scoring=' <span style=\"color: #008000;\">accuracy<\/span> ', cv=cv, n_jobs=-1)\nprint( <span style=\"color: #3366ff;\">np.mean<\/span> (scores))<\/span>  \n\n<span style=\"color: #000000;\">0.9777777777777779<\/span><\/span><\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Wir k\u00f6nnen sehen, dass das Modell eine durchschnittliche Genauigkeit von <strong>97,78 %<\/strong> erreichte.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Wir k\u00f6nnen das Modell auch verwenden, um basierend auf den Eingabewerten vorherzusagen, zu welcher Klasse eine neue Blume geh\u00f6rt:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define new observation\n<\/span>new = [5, 3, 1, .4]\n\n<span style=\"color: #008080;\">#predict which class the new observation belongs to\n<\/span>model. <span style=\"color: #3366ff;\">predict<\/span> ([new])\n\narray(['setosa'], dtype='&lt;U10')\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Wir sehen, dass das Modell vorhersagt, dass diese neue Beobachtung zu der Art namens <em>Setosa<\/em> geh\u00f6rt.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Schritt 5: Visualisieren Sie die Ergebnisse<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Schlie\u00dflich k\u00f6nnen wir ein LDA-Diagramm erstellen, um die linearen Diskriminanten des Modells zu visualisieren und zu visualisieren, wie gut es die drei verschiedenen Arten in unserem Datensatz trennt:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define data to plot\n<\/span>X = iris.data\ny = iris.target\nmodel = LinearDiscriminantAnalysis()\ndata_plot = model. <span style=\"color: #3366ff;\">fit<\/span> (x,y). <span style=\"color: #3366ff;\">transform<\/span> (X)\ntarget_names = iris. <span style=\"color: #3366ff;\">target_names<\/span>\n\n<span style=\"color: #008080;\">#create LDA plot\n<\/span>plt. <span style=\"color: #3366ff;\">figure<\/span> ()\ncolors = [' <span style=\"color: #008000;\">red<\/span> ', ' <span style=\"color: #008000;\">green<\/span> ', ' <span style=\"color: #008000;\">blue<\/span> ']\nlw = 2\n<span style=\"color: #008000;\">for<\/span> color, i, target_name <span style=\"color: #008000;\">in<\/span> zip(colors, [0, 1, 2], target_names):\n    plt. <span style=\"color: #3366ff;\">scatter<\/span> (data_plot[y == i, 0], data_plot[y == i, 1], alpha=.8, color=color,\n                label=target_name)\n\n<span style=\"color: #008080;\">#add legend to plot\n<\/span>plt. <span style=\"color: #3366ff;\">legend<\/span> (loc=' <span style=\"color: #008000;\">best<\/span> ', shadow= <span style=\"color: #008000;\">False<\/span> , scatterpoints=1)\n\n<span style=\"color: #008080;\">#display LDA plot\n<\/span>plt. <span style=\"color: #3366ff;\">show<\/span> ()\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11651 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ldapython1.png\" alt=\"Lineare Diskriminanzanalyse in Python\" width=\"416\" height=\"281\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Den vollst\u00e4ndigen Python-Code, der in diesem Tutorial verwendet wird, finden Sie <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/linear_discriminant_analysis\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Die lineare Diskriminanzanalyse ist eine Methode, die Sie verwenden k\u00f6nnen, wenn Sie \u00fcber eine Reihe von Pr\u00e4diktorvariablen verf\u00fcgen und eine Antwortvariable in zwei oder mehr Klassen klassifizieren m\u00f6chten. Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer linearen Diskriminanzanalyse in Python. Schritt 1: Laden Sie die erforderlichen Bibliotheken Zuerst laden wir die f\u00fcr dieses [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)<\/title>\n<meta name=\"description\" content=\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)\" \/>\n<meta property=\"og:description\" content=\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T10:43:39+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ldapython1.png\" \/>\n<meta name=\"author\" content=\"Dr. Benjamin Anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr. Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/\",\"url\":\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/\",\"name\":\"Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/de\/#website\"},\"datePublished\":\"2023-07-27T10:43:39+00:00\",\"dateModified\":\"2023-07-27T10:43:39+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0\"},\"description\":\"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Heim\",\"item\":\"https:\/\/statorials.org\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Lineare diskriminanzanalyse in python (schritt f\u00fcr schritt)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/de\/#website\",\"url\":\"https:\/\/statorials.org\/de\/\",\"name\":\"Statorials\",\"description\":\"Ihr Leitfaden f\u00fcr statistische Kompetenz !\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0\",\"name\":\"Dr. Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/statorials.org\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr. Benjamin Anderson\"},\"description\":\"Hallo, ich bin Benjamin, ein pensionierter Statistikprofessor, der sich zum engagierten Statorials-Lehrer entwickelt hat. Mit umfassender Erfahrung und Fachwissen auf dem Gebiet der Statistik bin ich bestrebt, mein Wissen zu teilen, um Studenten durch Statorials zu bef\u00e4higen. Mehr wissen\",\"sameAs\":[\"https:\/\/statorials.org\/de\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)","description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","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:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/","og_locale":"de_DE","og_type":"article","og_title":"Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)","og_description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","og_url":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/","og_site_name":"Statorials","article_published_time":"2023-07-27T10:43:39+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ldapython1.png"}],"author":"Dr. Benjamin Anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr. Benjamin Anderson","Gesch\u00e4tzte Lesezeit":"3 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/","url":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/","name":"Lineare Diskriminanzanalyse in Python (Schritt f\u00fcr Schritt)","isPartOf":{"@id":"https:\/\/statorials.org\/de\/#website"},"datePublished":"2023-07-27T10:43:39+00:00","dateModified":"2023-07-27T10:43:39+00:00","author":{"@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0"},"description":"In diesem Tutorial wird erl\u00e4utert, wie Sie eine lineare Diskriminanzanalyse in Python durchf\u00fchren, einschlie\u00dflich eines Schritt-f\u00fcr-Schritt-Beispiels.","breadcrumb":{"@id":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/de\/lineare-diskriminanzanalyse-in-python\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Heim","item":"https:\/\/statorials.org\/de\/"},{"@type":"ListItem","position":2,"name":"Lineare diskriminanzanalyse in python (schritt f\u00fcr schritt)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/de\/#website","url":"https:\/\/statorials.org\/de\/","name":"Statorials","description":"Ihr Leitfaden f\u00fcr statistische Kompetenz !","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de-DE"},{"@type":"Person","@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/ec75c4d6365f2708f8a0ad3a42121aa0","name":"Dr. Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/statorials.org\/de\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/de\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Dr. Benjamin Anderson"},"description":"Hallo, ich bin Benjamin, ein pensionierter Statistikprofessor, der sich zum engagierten Statorials-Lehrer entwickelt hat. Mit umfassender Erfahrung und Fachwissen auf dem Gebiet der Statistik bin ich bestrebt, mein Wissen zu teilen, um Studenten durch Statorials zu bef\u00e4higen. Mehr wissen","sameAs":["https:\/\/statorials.org\/de"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts\/1163"}],"collection":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/comments?post=1163"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/posts\/1163\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/media?parent=1163"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/categories?post=1163"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/de\/wp-json\/wp\/v2\/tags?post=1163"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}