Zusammenfassung
Bei vielen Anwendungen ist eine hohe Zuverlässigkeit erforderlich. Voraussetzung dafür ist, dass die Trainingsdatensätze auch tatsächlich die Charakteristik des Messobjektes repräsentieren. Darüber hinaus muss zum Erstellen des Modells eine Mindestanzahl von Trainingsdatenpunkten vorliegen, um eine hohe Zuverlässigkeit und die angestrebte Genauigkeit bei den gewonnenen Aussagen zu erreichen. Es muss sichergestellt sein, dass sich keine Messwerte mit Fehlern in der Trainingsdatenmenge befinden. Während der Trainingsphase wird die Lernrate so angepasst, dass ein Modell mit möglichst optimalen Generalisierungseigenschaften entsteht. Geeignete Methoden überprüfen dessen Korrektheit und Generalisierungsfähigkeit. Das beste Resultat wird erzielt, wenn ein Modell für einen bestimmten Zweck – im vorliegenden Fall zur Klassifizierung – gebildet wird. Dazu sind verschiedene Arten von Messungen, die in der Trainingsphase bei der Anpassung der Feinstruktur des Modells an die realen Gegebenheiten vorkommen können, dargestellt und erörtert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Bartlett PL, Mendelson S (2002) Rademacher and Gaussiona Complexities: Risk Bounds and Structural Results. Australian National University, Canberra 0200 Australia
Hastie T, Tibshirani R, Friedman JH (2009) The elements of statistical learning: Data mining, inference, and prediction, second edition edn. Springer series in statistics, Springer, New York
Masters T (1995) Advanced algorithms for neural networks: A C++ Sourcebook. John Wiley & Sons, Inc, New York, Chichester, Brisbane, Toronto, Singapore
Merkl R, Waack S (2009) Bioinformatik interaktiv, 2nd edn. WILEY-VCH Verlag GmbH & Co KGaA, Weinheim
Neukamm M (2003) Evolution im Fadenkreuz des Kreationismus: Darwins religiöse Gegner und ihre Argumentation, Religion, Theologie und Naturwissenschaft, vol 19. Vandenhoeck & Ruprecht, Göttingen
Scherer S (1996) Entstehung der Photosynthese. Hänssler, Neuhausen-Stuttgart
Vapnik V (1995) The Nature of statistical Learning Theory. Springer Verlag, New York
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Sartorius, G. (2019). Modellbildung. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_11
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_11
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-23575-8
Online ISBN: 978-3-658-23576-5
eBook Packages: Computer Science and Engineering (German Language)