Stabile Variablenselektion in der Klassifikation

dc.contributor.advisor	Rahnenführer, Jörg
dc.contributor.author	Bommert, Andrea Martina
dc.contributor.referee	Rahnenführer, Jörg
dc.date.accessioned	2017-01-23T07:30:39Z
dc.date.available	2017-01-23T07:30:39Z
dc.date.issued	2016-03-18
dc.description.abstract	Diese Masterarbeit behandelt das Thema der Stabilität der Variablenselektion im Rahmen der Klassifikation. Klassifikationsverfahren wählen aus, welche Variablen aus den Trainingsdaten in der Klassifikationsregel verwendet werden. Die Stabilität der Variablenselektion eines Klassifikationsverfahrens beschreibt die Ähnlichkeit der Mengen gewählter Variablen, wenn das Verfahren auf mehreren ähnlichen Trainingsdatensätzen angepasst wird. Um für konkrete Trainingsdaten solche Klassifikationsregeln zu erhalten, die nicht nur eine hohe Klassifikationsgüte aufweisen, sondern auch eine stabile Auswahl einer geringen Anzahl an Variablen durchführen, werden alle drei Zielkriterien bereits beim Parametertuning berücksichtigt. In dieser Arbeit werden mehrere Ansätze dafür vorgestellt und verglichen. Zudem erfolgt ein ausführlicher Vergleich verschiedener Stabilitätsmaße.	de
dc.identifier.uri	http://hdl.handle.net/2003/35760
dc.identifier.uri	http://dx.doi.org/10.17877/DE290R-17788
dc.language.iso	de	de
dc.subject.ddc	310
dc.title	Stabile Variablenselektion in der Klassifikation	de
dc.type	Text
dc.type.publicationtype	masterThesis	de
dcterms.accessRights	restricted

Collections