Advertisement

Verbesserung von Klassifikationsverfahren

Informationsgehalt der k-Nächsten-Nachbarn nutzen

  • Dominik Koch

Part of the BestMasters book series (BEST)

Table of contents

  1. Front Matter
    Pages 1-22
  2. Dominik Koch
    Pages 3-17
  3. Dominik Koch
    Pages 19-60
  4. Dominik Koch
    Pages 61-82
  5. Dominik Koch
    Pages 83-100
  6. Back Matter
    Pages 101-224

About this book

Introduction

Dominik Koch weist in seinen Studien nach, dass es mit Hilfe der k-Nächsten-Nachbarn möglich ist, die Ergebnisse anderer Klassifikationsverfahren so zu verbessern, dass sie wieder eine Konkurrenz zu dem meist dominierenden Random Forest darstellen. Das von Fix und Hodges entwickelte k-Nächste–Nachbarn-Verfahren ist eines der simpelsten und zugleich intuitivsten Klassifikationsverfahren. Nichtsdestotrotz ist es in den meisten Fällen in der Lage, ziemlich gute Klassifikationsergebnisse zu liefern. Diesen Informationsgehalt der k-Nächsten-Nachbarn kann man sich zu Nutze machen, um bereits etablierte Verfahren zu verbessern. In diesem Buch werden die Auswirkungen der k-Nächsten-Nachbarn auf den Boosting-Ansatz, Lasso und Random Forest in Bezug auf binäre Klassifikationsprobleme behandelt.

  

Der Inhalt

n  Grundlagen der k-Nächsten-Nachbarn

n  Vorstellung der zu erweiternden Klassifikationsverfahren

Benchmarking anhand von simulierten Daten

n  Anwendung der modifizierten Verfahren auf reale Datensätze

 

Die Zielgruppen

·   

    Dozierende und Studierende der Mathematik, insbesondere der Statistik

 Der Autor

Dominik Koch absolvierte das Statistik-Studium der Ludwig-Maximilians-Universität in München als Jahrgangsbester. Seit 2013 ist er als statistischer Berater (Schwerpunkt: Automobilindustrie und Bankenbranche) tätig. Im Rahmen seiner Publikationstätigkeit ar

beitet er auch weiterhin eng mit dem statistischen Institut der Ludwig-Maximilians-Universität zusammen.

Keywords

k-Nächste-Nachbarn Random Forest Lasso Boosting Nächste Nachbarn

Authors and affiliations

  • Dominik Koch
    • 1
  1. 1.MünchenGermany

Bibliographic information