Die Transformation experimenteller Verteilungen durch eine Self-Organizing Feature Map

Zusammenfassung

In vielen Fällen entspricht die Verteilung von empirisch erhobenen Daten nicht einer Normalverteilung. Um eine vergleichbare Skalierung der Daten zu erreichen, ist eine Transformation in eine Normalverteilung oder zumindest in eine symmetrische Verteilung notwendig. Desweiteren basieren viele statistische Verfahren auf der Annahme einer Normalverteilung. Die Bestimmung einer geeigneten Transformation beinhaltet typischerweise einen “trial and error” Prozeß oder benötigt die Erfahrung eines Experten. In diesem Bericht wird eine Methode beschrieben, mit der es möglich ist, durch den Einsatz einer Self-Organizing Feature Map den Auswahlprozeß zu automatisieren. Zur Prädiktion einer Transformation wurde der Lernalgorithmus der Feature Map modifiziert. Erste Ergebnisse haben gezeigt, daß die Feature Map in der Lage ist, die Verteilungen des Trainingsdatensatzes in eine Normalverteilung zu transformieren. Auch für neue Verteilungen, die das System nicht gelernt hat, prädiziert das Modell geeignete Transformationsparameter, wodurch seine Fähigkeit zur Generalisierung deutlich wird.