Zusammenfassung
Dieses Kapitels erläutert zunächst, was man unter einem Modell und unter Modellieren versteht und welche Rolle Abduktion dabei spielt. Dann wird eine einfache Taxonomie der Ziele des Modellierens vorgeschlagen. Ein wesentlicher, sich anschließender Punkt betrifft die Frage nach Unter- und Überanpassung: Kann ein Modell „zu gut“ sein? (Dass ein Modell „zu schlecht“ sein kann, bedarf keiner Erwähnung.) Der verbleibende Teil des Kapitels diskutiert, was man bei vermuteter Überanpassung eines Modells tun kann, welche Probleme sich ergeben und woran man ein „gutes“ Modell erkennt.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Ein Dozent freut sich.
- 2.
Diese Sichtweise des Modellierens geht auf der Repräsentationstheorie des Messens nach Suppes und Zinnes (1963) zurück; vgl. Gigerenzer (1980).
- 3.
Das ist schließlich entscheidend – frei nach Helmut Kohl.
- 4.
Bitte mir Bescheid geben, falls ich hier etwas übersehen haben sollte.
- 5.
Tatsächlich wurden die Y-Werte als Sinus-Funktion plus etwas normalverteiltes Rauschen simuliert.
- 6.
Genauer gesagt ein Polynom von Grad 15.
- 7.
Ein Phänomen, das man von Fußballspielen kennt.
- 8.
Zehn Mal scheint sich gut zu bewähren, aber auch andere Werte können sinnvoll sein: http://appliedpredictivemodeling.com/blog/2014/11/27/vpuig01pqbklmi72b8lcl3ij5hj2qm.
- 9.
Gerade wenn sie die Zukunft betreffen; ein Bonmot, das Yogi Berra nachgesagt wird.
- 10.
R, R, F, F, R, R, R, F, R, R.
- 11.
- 12.
Status \(\rightarrow\) Erfolg beim Online-Dating.
- 13.
S. Abschn. 15.4.
- 14.
a) Rechtes Modell ist robuster; b) linkes Bild ist präziser im Sinne eines geringeren Vorhersagefehlers.
- 15.
Nein, es hängt von der Verteilung des Kriteriums ab.
- 16.
Die Verteilung des Kriteriums wird nicht ausgewogen; es kann also passieren, dass alle „leichten“ Fälle im Trainings-Sample landen und alle „schweren“ Fälle im Test-Sample. Dann würde der Algorithmus erfolgreich im Trainings-Sample lernen, aber im Test-Sample „überraschend“ schlecht abschneiden.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Sauer, S. (2019). Grundlagen des Modellierens. In: Moderne Datenanalyse mit R. FOM-Edition. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-21587-3_15
Download citation
DOI: https://doi.org/10.1007/978-3-658-21587-3_15
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-21586-6
Online ISBN: 978-3-658-21587-3
eBook Packages: Business and Economics (German Language)