Glossar
Die Begriffe sind in alphabetischer Reihenfolge aufgeführt.
Begriff | Beschreibung |
---|---|
Genauigkeit |
Der Prozentsatz der korrekten Vorhersagen, die ein Modell bei kategorischen Entscheidungen trifft. Bei numerischen Entscheidungen ist dies komplexer. |
Eine ML-Technik (Machine Learning), bei der ein Human in the Loop aufgefordert wird, Ergebnisse für bestimmte Inputs festzulegen. Diese Inputs werden vom Computer verwendet, um die Lerngeschwindigkeit zu optimieren und die Anzahl der Interaktionen mit dem Human in the Loop zu minimieren. Siehe auch Geführtes Lernen. |
|
AutoML (Automatisches Machine Learning) |
Ein Machine-Learning-System, das keinen Benutzer-Input erfordert, um Daten anzupassen, Beziehungen zwischen Variablen zu analysieren und Vorhersagen für neue Daten zu treffen. Ein typisches Beispiel dafür ist Automatic Statistician. |
Binäre Variable |
Eine kategorische Variable, die einen von zwei Werten annimmt, typischerweise „true“ oder „false“. |
Kalibrierung |
Der Prozess zum Überprüfen von Inputs und Ergebnisvorhersagen des Modells sowie ggf. zum Überschreiben von Modellentscheidungen. |
Kategorische Variable |
Eine Variable, die einen Wert aus einem festen Satz annimmt. Wenn die Werte ungeordnet sind, ist es eine „nominale“ kategorische Variable, wenn die Werte dagegen geordnet sind, ist es eine „ordinale“ kategorische Variable. |
Sicherheit |
Siehe Konfidenz. |
Bedingung |
Teil einer Regel. Alle Bedingungen der Regel müssen erfüllt sein, damit die Regel angewendet wird. Zum Beispiel: Lagerraum = voll. Auch bezeichnet als „Einschränkung“. |
Damit wird definiert, wie zuverlässig ein Modell bei seiner Vorhersage ist, also beispielsweise, wie oft es erwartet, bei 100 Vorhersagen richtig zu liegen. Auch bezeichnet als „Sicherheit“. |
|
Datentyp |
Der Typ einer Variablen bei einem Problem. Kann kategorisch oder numerisch sein. |
Siehe Ergebnisvariable. |
|
Ausnahme |
Siehe Regel. |
Eine Machine-Learning-Technik, bei der ein Human in the Loop Inputs bereitstellt, die bestimmte Outputs erzeugen. Diese Outputs werden vom Computer verwendet, um die Lerngeschwindigkeit zu optimieren und die Anzahl der Interaktionen mit dem Human in the Loop zu minimieren. Siehe auch Aktives Lernen. |
|
Ein Mensch, der eine Machine-Learning-Methode oder Automatisierung anleitet. |
|
Input-Variable |
Input zur Entscheidungsfindung. |
Input-Wichtigkeit |
Ein relativer Wert, den ein Modell einer Input-Variablen im Vergleich zu anderen Input-Variablen zuweist, um die Wichtigkeit zu bestimmen. Ein höherer Wert bedeutet, dass das Modell diese Variable als wichtiger behandelt. Einige Modelle ermöglichen es dem Benutzer, diese Gewichtungen anzupassen. Wird auch bezeichnet als Merkmalswichtigkeit oder Merkmalsgewichtung. |
Ein Machine-Learning- oder statistisches nichtparametrisches Modell, das Vorhersagen (kategorisch oder numerisch) für einen Input basierend auf den k nächsten Nachbarn (kNN) für den Input in den Trainingsdaten trifft. Die nächsten Nachbarn können als gleichwertig betrachtet werden (ungewichtetes kNN-Modell) oder aufgrund ihrer inversen Distanz oder Ähnlichkeit gewichtet werden (gewichtetes kNN-Modell). |
|
Machine Learning |
Systeme, in denen Computer selbstständig lernen. |
Modell |
Ein Machine-Learning-System, das ein Ergebnis (Entscheidung) basierend auf einem bestimmten Satz von Merkmalen vorhersagt. |
Nachbarn |
Eine Untergruppe der Beispiele, die als ähnlich zu den Werten angesehen werden, die für die Variablen eingegeben wurden. Siehe kNN-Modell. |
Codefrei |
Systeme, die ohne Programmieren konfiguriert werden können. Sie sind in der Regel für Geschäftsanwender und nicht für IT-Experten konzipiert. |
Nominale Variable |
Eine ungeordnete kategorische Variable. Zum Beispiel „Katze“, „Pferd“, „Hund“. |
Nichtparametrisches Modell |
Ein Machine-Learning-Modell, das wenige Annahmen über die Struktur des Problems trifft und sich an die Daten anpasst. Typischerweise sind diese Modelle flexibler als standardmäßige statistische parametrische Modelle. |
Numerische Variable |
Eine Variable, die einen beliebigen Wert in einem Bereich annimmt. Zum Beispiel 1, 1.2, 100, -3. |
Ordinale Variable |
Eine geordnete kategorische Variable. Zum Beispiel „klein“, „mittel“, „groß“. |
Das Ergebnis der Entscheidungsfindung. Auch bezeichnet als Entscheidung. |
|
Eine benutzerdefinierte Ausnahme zum Entscheidungsmodell. Das ist eine Liste von Bedingungen oder Einschränkungen, die bei Erfüllung die Änderung des Ergebnisses zu einem bestimmten Wert erzwingen. Auch bezeichnet als „Ausnahme“. |
|
Beispiel |
Ein Datenpunkt, der ein vollständiger Satz von Input-Variablenwerten ist, der möglicherweise auch mit einem Ergebnisvariablenwert verbunden ist. |
Ungewichtet |
Siehe kNN-Modell. |
Variable |
Generische Bezeichnung für eine Input- oder Ergebnisvariable (Entscheidung). |
Gewichtet |
Siehe kNN-Modell. |