Populäre Klassifikationsverfahren, wie z. B. die logistische Regression oder Random Forest, und innovativere Ansätze auf Basis quadratischer Optimierung weisen in Bezug auf ihre Anforderungen an die Input-Daten, die Art ihres Outputs und das Ausmaß der Zugänglichkeit ihrer Ergebnisse signifikante Unterschiede auf. Im Rahmen des Forschungsprojekts werden diese Unterschiede unter Verwendung realer und simulierter Datensätze systematisch herausgearbeitet und anhand geeigneter Kennzahlen quantifiziert. Insbesondere wird dabei auch der Frage nachgegangen, inwieweit verschiedene Verfahren sinnvoll miteinander kombiniert werden können.