Diese Arbeit analysiert kritisch die Verwendung der Klassifikationsgenauigkeit, um Klassifikatoren mit natürlichen Datensätzen zu vergleichen, und bietet eine gründliche Untersuchung mit Hilfe der ROC-Analyse, standardmäßigen maschinellen Lernalgorithmen und Standard-Benchmark-Datensätzen. Die Ergebnisse werfen ernsthafte Bedenken hinsichtlich der Verwendung von Genauigkeitsschätzungen für den Vergleich von Klassifikatoren auf und stellen die Schlussfolgerungen, die aus solchen Studien gezogen werden können, in Frage. Im Verlauf der Untersuchung wird beschrieben, was im Allgemeinen als richtige Anwendung der ROC-Analyse für vergleichende Studien in der maschinellen Lernforschung gehalten werden kann. Es wird argumentiert, dass diese Methode sowohl für praktische Entscheidungen als auch für das Ziehen wissenschaftlicher Schlussfolgerungen vorzuziehen ist.
Inhaltsverzeichnis
- Einleitung
- Aufgabenstellung
- Zielsetzung
- Aufbau und Struktur
- Sind Vergleiche auf Basis von Induktion gerechtfertigt?
- Sind Genauigkeitsschätzungen gerechtfertigt und angemessen?
- Wie lässt sich das Problem der Genauigkeitsschätzungen darstellen?
- Bewertung und Optimierung von Analyse-Strategien mit Hilfe von Grenzwertoptimierungskurven
- Standardmethoden für dominante Klassifikatoren herstellen
- Können Standardmethoden erzwungen werden, um dominierende ROC-Kurven zu erhalten?
- Empfehlungen und Einschränkungen
- Schlussfolgerung
Zielsetzung und Themenschwerpunkte
Die vorliegende Arbeit untersucht kritisch die Verwendung von Klassifikationsgenauigkeit zur Bewertung von Klassifikatoren mit natürlichen Datensätzen. Mithilfe der ROC-Analyse und Standard-Machine-Learning-Algorithmen werden die Grenzen der Genauigkeitsschätzungen aufgezeigt und alternative Methoden für den Vergleich von Klassifikatoren vorgeschlagen.
- Kritische Analyse der Genauigkeitsschätzung als Bewertungsmaßstab für Klassifikatoren
- Einsatz der ROC-Analyse zur Bewertung und Optimierung von Klassifikatoren
- Untersuchung der Anwendbarkeit und Implikationen von Standard-Machine-Learning-Algorithmen
- Entwicklung von Empfehlungen für die Auswahl geeigneter Methoden zur Bewertung von Klassifikatoren
- Betrachtung der Grenzen und Einschränkungen der verwendeten Methoden
Zusammenfassung der Kapitel
- Einleitung: Diese Kapitel stellt das Problem der Genauigkeitsschätzung bei der Bewertung von Klassifikatoren dar und erläutert die Relevanz der ROC-Analyse.
- Sind Vergleiche auf Basis von Induktion gerechtfertigt?: Dieses Kapitel diskutiert die Grenzen von Induktionsalgorithmen und stellt die Frage nach der Validität von Vergleichen auf dieser Basis.
- Sind Genauigkeitsschätzungen gerechtfertigt und angemessen?: Dieses Kapitel analysiert die Verwendung von Genauigkeitsschätzungen und stellt die Frage nach ihrer Gültigkeit und Angemessenheit.
- Wie lässt sich das Problem der Genauigkeitsschätzungen darstellen?: Dieses Kapitel beleuchtet die Herausforderungen und Probleme, die mit der Genauigkeitsschätzung im Zusammenhang mit Klassifikatoren auftreten.
- Bewertung und Optimierung von Analyse-Strategien mit Hilfe von Grenzwertoptimierungskurven: Dieses Kapitel zeigt die Anwendung der ROC-Analyse zur Bewertung und Optimierung von Analyse-Strategien auf.
- Standardmethoden für dominante Klassifikatoren herstellen: Dieses Kapitel beschreibt die Entwicklung von Standardmethoden für dominante Klassifikatoren.
- Können Standardmethoden erzwungen werden, um dominierende ROC-Kurven zu erhalten?: Dieses Kapitel untersucht die Möglichkeit, Standardmethoden zu erzwingen, um dominierende ROC-Kurven zu erhalten.
- Empfehlungen und Einschränkungen: Dieses Kapitel gibt Empfehlungen zur Auswahl geeigneter Methoden zur Bewertung von Klassifikatoren und weist auf deren Grenzen hin.
Schlüsselwörter
Klassifikationsgenauigkeit, ROC-Analyse, Machine Learning, Induktionsalgorithmen, natürliche Datensätze, Standard-Benchmark-Datensätze, Grenzwertoptimierungskurven, dominante Klassifikatoren.
- Quote paper
- Dipl.Wirt.Ing. René Diedering (Author), 2018, Vergleich zwischen Genauigkeitsschätzungen und Induktionsalgorithmen in der Wirtschaftsinformatik, Munich, GRIN Verlag, https://www.grin.com/document/428206