Machine learning for spatial problems faces unique challenges, notably spatial dependence. Effective modeling requires integrating spatial information and proper validation methods to preserve spatial structure. This poster will overview spatial machine learning packages in R, focusing on tools for feature engineering, validation, and interpretation. It will also serve as a guide for comparing these tools and critically assessing their strengths and limitations.

In der räumlichen Modellierung werden oft Kreuzvalidierungsmethoden genutzt, um Modelle zu evaluieren und ihre Hyperparameter zu tunen. Es existiert eine Vielzahl an räumlichen Kreuzvalidierungsmethoden, welche jedoch nicht universell einsetzbar sind.
Mit diesem Poster werden wir verschiedene Ansätze systematisch vergleichen, sowie eine neue Kreuzvalidierungsmethode und ihre Implementierung in R vorstellen, die sowohl im Prädiktorraum, als auch dem geographischen Raum arbeitet.