Die zunehmende Methodenvielfalt stellt Chemieinformatiker immer mehr vor die Herausforderung, die optimale Methode für ein bestimmtes Vorhersagemodell zu wählen. Die neu vorgestellten Methoden zeigen sich hinsichtlich ihrer Vorhersageleistung gegenüber literaturbekannten Standard-Methoden vielfach überlegen oder kompetitiv. Nach der Implementierung dieser neuen Methoden schneiden diese allerdings vielfach schlechter ab als erwartet. Die scheinbare Überlegenheit kann die Folge einer sog. optimistischen Verzerrung bzw. eines Überoptimismus sein. Darunter ist eine fehlinterpretierte Überlegenheit einer Methode oder generell die systematische Verzerrung von Studienergebnissen zu verstehen. Das Ziel dieser Arbeit ist es, den Effekt des Überoptimismus anhand inadäquater externer Validierung und anhand von Beispielen ausgewählter neuer Klassifikationsmethoden aus der Literatur zu untersuchen. Anhand dieser Beispiele wird deutlich, wie einfach Überoptimismus in Studienergebnisse einfließen kann und dass einfache Änderungen des Studiendesigns optimistische Verzerrungen reduzieren können.
- 333 Seiten
- German
- PDF
- Über iOS und Android verfügbar
eBook - PDF
Über dieses Buch
375,005 Studierende vertrauen auf uns
Zugang zu über 1 Million Titeln zu einem fairen monatlichen Preis.
Mit unseren Lerntools kannst du noch effizienter lernen.
Information
ISBN drucken
9783736970120
Auflage
1Inhaltsverzeichnis
- Einleitung
- Optimistische Verzerrung im Maschinellen Lernen
- Zielsetzung der Arbeit
- Moleküldeskriptoren
- Datenvorbehandlung
- Die Klassifikation
- Klassifikationsmodelle
- Evaluierung derLeistungsfähigkeit
- Datensätze
- Ergebnisse und Diskussion
- Variabilität im Zuge derKreuzvalidierung
- Optimierung derHyperparameter
- LocalSVM
- Rotation Forest
- Zusammenfassung – Summary