Design Künstlicher Neuronaler Netze
Ein Leitfaden zur effizienten Handhabung mehrschichtiger Perzeptrone
Seiten
2005
|
2005
Deutscher Universitätsverlag
978-3-8244-0842-9 (ISBN)
Deutscher Universitätsverlag
978-3-8244-0842-9 (ISBN)
Künstliche Neuronale Netze (KNN) zählen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit großen Erwartungen hinsichtlich Prognosefähigkeiten und Erkenntnisgewinn verbunden.
Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.
Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.
Dr. Janette F. Walde ist Universitätsassistentin am Institut für Statistik der Fakultät für Sozial- und Wirtschaftswissenschaft der Universität Innsbruck.
1 Einleitung.- 2 Das Mehrschichtige Perzeptron (MLP).- 3 Standardprobleme beim Einsatz vom MLP.- 4 KNN-Software.- 5 Klassifikation mit Hilfe des Regressionsansatzes.- 6 Klassifikation mit Hilfe des wahrscheinlichkeitsbasierten Ansatzes.- 7 Optimale Anzahl der verborgenen Neuronen.- 8 Schlussfolgerungen.- Anhang A: Charakterisierung der Pflanzengesellschaften im Untersuchungsgebiet.
Erscheint lt. Verlag | 30.3.2005 |
---|---|
Reihe/Serie | Wirtschaftswissenschaften |
Zusatzinfo | XIX, 159 S. 16 Abb., 2 Abb. in Farbe. |
Verlagsort | Wiesbaden |
Sprache | deutsch |
Maße | 148 x 210 mm |
Gewicht | 236 g |
Themenwelt | Mathematik / Informatik ► Informatik |
Mathematik / Informatik ► Mathematik ► Finanz- / Wirtschaftsmathematik | |
Mathematik / Informatik ► Mathematik ► Wahrscheinlichkeit / Kombinatorik | |
Wirtschaft ► Allgemeines / Lexika | |
Schlagworte | Künstliche Neuronale Netze • Modellierung, nichtlineare • Multi-layer perceptron • Neuronale Netze • Perzeptron, mehrschichtiges • Statistik, angewandte |
ISBN-10 | 3-8244-0842-2 / 3824408422 |
ISBN-13 | 978-3-8244-0842-9 / 9783824408429 |
Zustand | Neuware |
Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Smarte und agile Systeme, Prozesse und Strukturen im …
Buch | Hardcover (2021)
Haufe (Verlag)
59,95 €