Modelle, Version Spaces, Lernen
|
|
- Berndt Weiss
- vor 7 Jahren
- Abrufe
Transkript
1 Unverstät Potsdam Insttut ür Inormatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle Verson Spaces Lernen Tobas Scheer Mchael Brückner
2 Klasskaton Engabe: Instanz Objekt X. Können durch Attrbut-Vektoren repräsentert sen. Instanz st Belegung der Attrbute. Instanzen erden auch als Merkmalsvektoren bezechnet m Ausgabe: Klasse Y; endlche Menge Y. z.b {+1-1}; {Spam Ncht-Spam}. Klasse rd auch als Zelattrbut bezechnet. Kombnaton tosch? / Scheer/Brückner Maschnelles Lernen 2
3 3 Scheer/Brückner Maschnelles Lernen Klasskatonslernen Engabe: Tranngsdaten. Ausgabe: Klasskator auch als Modell bezechnet N N L m... 1 Y X : sonst enn
4 Klasskatonslernen Engabe: Tranngsdaten. Ausgabe: Klasskator auch als Modell bezechnet. L N N 1... m : X Y Lnearer Klasskator mt Parametervektor. enn sonst enn T 0 sonst Scheer/Brückner Maschnelles Lernen 4
5 Klasskatonslernen Engabe: Tranngsdaten. Ausgabe: Klasskator auch als Modell bezechnet. L N N 1... m : X Y - Entschedungsbäume. - Generalserte lneare Modelle Kernel. - - Hpothesenraum rd auch enn sonst enn T 0 also Language sonst Bas bezechnet. Scheer/Brückner Maschnelles Lernen 5
6 6 Scheer/Brückner Maschnelles Lernen Klasskatonslernen Engabe: Tranngsdaten. Alternatve Schrebese: Engaben: Matr Ausgaben: Vektor N N L m... 1 Nm N m N M O M X N... 1
7 Regresson Engabe: Instanz Objekt X. Können durch Attrbut-Vektoren repräsentert sen. Instanz st Belegung der Attrbute. Instanzen erden auch als Merkmalsvektoren bezechnet m Ausgabe: kontnuerlcher Werte R. z.b Toztät. We tosch st Kombnaton? Scheer/Brückner Maschnelles Lernen 7
8 Regressonslernen Engabe: Tranngsdaten. Ausgabe: Modell Regressonsmodell. L N N 1... m : X R T + b Scheer/Brückner Maschnelles Lernen 8
9 Andere Lernprobleme Präerenzlernen. Ordnale Regresson. Taonome-Klasskaton. Klasskaton und Regresson mt strukturerten Ausgaberäumen. Kollaboratve Vorhersage. Scheer/Brückner Maschnelles Lernen 9
10 Klasskatonslernen Engabe: Tranngsdaten. Ausgabe: Klasskator. L N N 1... m : X Y enn sonst Lernen: Klasskator aus Tranngsdaten. Scheer/Brückner Maschnelles Lernen 10
11 Hpothesenraum Hpothesenraum Modellraum H: Menge der Klasskatonsmodelle de Lernverahren n Betracht zeht. Hpothesenraum st ener der Frehetsgrade bem maschnellen Lernen vele Räume gebräuchlch. Z.B.: enn j j v sonst Alle möglchen Konjunkton von Bedngungen. We groß st Hpothesenraum m bnäre Attrbute? j Scheer/Brückner Maschnelles Lernen 11
12 Klasskaton Klasskator ür Kombnaton tosch. Hpothesenraum: Konjunktonen von Bedngungen. Welches st de korrekte Hpothese? enn sonst??? Bespel- Kombnatonen Präparate n der Kombnaton Scheer/Brückner Maschnelles Lernen 12
13 Genereller-Als -Ordnung Grundmenge X enn Hpothesen H Immer spezsch generell Immer 2 enn 21 3 enn Scheer/Brückner Maschnelles Lernen g gd X g s s g g 2 g 1 2 g 3 aber ncht 1 3 g 13
14 Verson Space Menge aller Hpothesen de mt den Tranngsdaten konsstent snd. VS { H L : H L Verson Space rd klener je mehr Daten vorhanden snd. Verson Space leer: Tranngsmenge dersprüchlch. Verson Space enelementg: Rchtges Modell geunden Oder rchtges Modell st ncht m Hpothesenraum. Mehrere Elemente m Verson Space: Noch ncht ertg. } Scheer/Brückner Maschnelles Lernen 14
15 Verson Space: Brute Force Konstrukton Intalsere V au Menge aller Hpothesen. Für alle Tranngsbespele : Lösche alle Hpothesen aus V de mt nkonsstent snd also. V st jetzt der Verson Space. Scheer/Brückner Maschnelles Lernen 15
16 Scheer/Brückner Maschnelles Lernen Verson Space Präparate n der Kombnaton enn Bespel- Kombnatonen
17 Verson Space enn Bespel- Kombnatonen Präparate n der Kombnaton Alle Elemente des Verson Space erklären de Daten glechermaßen gut. Jedes Element des Verson Space könnte de Daten erzeugt haben. Scheer/Brückner Maschnelles Lernen 17
18 Unscherhet In der Pras errecht man nemals Gesshet darüber en korrektes Modell geunden zu haben. Der Hpothesenraum st mest unendlch groß. Der Verson Space st dann mest auch unendlch. Rsko ener Vorhersage. Erartete Kosten ener Vorhersage. A-Pror-Wahrschenlchket Pror über Modelle. Wahrschenlchstes Modell gegeben Daten. Scheer/Brückner Maschnelles Lernen 18
19 Verlustunkton Optmerungskrterum Lernprobleme erden als Optmerungsprobleme ormulert. Verlustunkton msst e gut Modell zu Tranngsdaten passt. Regularserungsunkton msst ob das Modell nach unserem Vorssen ahrschenlch st. Optmerungskrterum st Summe aus Verlust und Regularserer. Mnmum des Optmerungskrterums: nsgesamt ahrschenlchstes Modell gegeben Tranngsdaten und Vorssen. Scheer/Brückner Maschnelles Lernen 19
20 Verlustunkton We schlmm st es enn Modell vorhersagt obohl der echte Wert der Zelvarable st? Verlust l. Bespel: Klasskatonsprobleme False Postves und False Negatves glech schlmm. Zero-One Loss: l 0 enn 1 sonst Scheer/Brückner Maschnelles Lernen 20
21 Verlustunkton We schlmm st es enn Modell vorhersagt obohl der echte Wert der Zelvarable st? Verlust l. Bespel: dagnostsche Klasskatonsprobleme übersehene Erkrankungen False Negatves schlmmer als False Postves. Kostenmatr l c FN 1 cfp 0 Scheer/Brückner Maschnelles Lernen 21
22 Verlustunkton We schlmm st es enn Modell vorhersagt obohl der echte Wert der Zelvarable st? Verlust l. Regresson: Vorhersage möglchst dcht an echtem Wert. Quadratscher Fehler l 2 Scheer/Brückner Maschnelles Lernen 22
23 Verlustunkton We schlmm st es enn Modell vorhersagt obohl der echte Wert der Zelvarable st? Verlust l. Verlustunkton st aus der jeelgen Anendung heraus motvert. Scheer/Brückner Maschnelles Lernen 23
24 Regularserer Drückt Annahme darüber aus ob Modell ahrschenlch st. Unabhängg von den Tranngsdaten. Häug rd de Annahme ausgedrückt dass enge der Attrbute ür en gutes Modell ausrechen. De Anzahl der Attrbute der Betrag oder der quadrerte Betrag der Attrbut-Gechtungen gehen n den Regularserungsterm en. L 0 - L 1 -bz. L 2 -Regularserung. Scheer/Brückner Maschnelles Lernen 24
25 Regularserer Konjunkton von Bedngungen Lässt sch schreben als: Allgemen: enn sonst enn sonst enn sonst enn sonst 1 + j j 3 j j + j j 7 b 3 b enn sonst T b Scheer/Brückner Maschnelles Lernen mt j { } 25
26 Regularserer Konjunkton von Bedngungen Lässt sch schreben als: Allgemen: enn sonst enn sonst enn sonst enn sonst 1 + j j 3 j j + j j 7 b 3 b enn sonst : Modellparameter T b Scheer/Brückner Maschnelles Lernen mt j { } 26
27 Regularserer Lnearer Klasskator L 2 -Regularserung: 2 λ enn T b sonst Addert 1 ür jedes von null verschedene Gecht. Optmerungskrterum: 2 Rˆ L l + λ Durch den Regularserer mplementerte Präerenz des Lerners rd auch Inductve Bas genannt. Scheer/Brückner Maschnelles Lernen 27
28 Optmerungsproblem Krterum Beste Hpothese? Rˆ L l + λ 3 2 Scheer/Brückner Maschnelles Lernen
29 Optmerungsproblem Rechtertgung ür Regularserer? Enstellung von λ? Mehrere Rechtertgungen und Herletungen. Wahrschenlchste Hpothese MAP-Hpothese. Hpothese de Daten am stärksten komprmert Mnmum Descrpton Length. Nedrgere obere Schranke ür Fehler au zuküntgen Daten abhängg von. SRM. Lernen ohne Regularserung st ll-posed Problem; Lösung esteren manchmal ncht oder hängt etrem stark von mnmalen Änderungen n den Daten ab. Scheer/Brückner Maschnelles Lernen 29
30 Unscherhet und Wahrschenlchketen Modellvorstellung bem Lernen: Jemand hat echtes nach A-Pror- Wahrschenlchket Pror p gezogen. st ncht bekannt aber p relektert Vorssen. Tranngsengaben erden gezogen. Tranngsausgaben erden nach p gezogen. Gegeben L und p as st ahrschenlchstes Modell? Scheer/Brückner Maschnelles Lernen 30
31 Zuallsvarablen En Eperment st en denerter Prozess n dem ene Beobachtung erzeugt rd. Eregnsraum Ω: Alle möglchen Ausgänge Zuallsvarable X: Abbldung des Eregnsraumes au numersche Werte. PX PA XA. Wahrschenlchketsunkton P vertelt Wahrschenlchketsmasse 1 au Elemente n Ω. Scheres Eregns: PX Ω X 1. Unmöglches Eregns: PX 0. Mathematsche Grundlage durch Kolmogoro Aome. Scheer/Brückner Maschnelles Lernen 31
32 Wahrschenlchketen Gemensame Wahrschenlchket Randahrschenlchket Bedngte Wahrschenlchket Scheer/Brückner Maschnelles Lernen 32
33 Scheer/Brückner Maschnelles Lernen Wahrschenlchketen 33 Produktregel Summenregel
34 Scheer/Brückner Maschnelles Lernen Rechenregeln ür Wahrschenlchketen 34 Summenregel Produktregel
35 35 Scheer/Brückner Maschnelles Lernen Unabhänggket Varablen X und Y snd unabhängg g.d.. Y P X P Y X P Äquvalente Denton ür Unabhänggket: X P Y X P und Y P X Y P Bedngte Unabhänggket Z Z Z Y P X P Y X P
36 Scheer/Brückner Maschnelles Lernen Baes Theorem 36 posteror lkelhood pror
37 Baes Theorem P Erklärung Beobachtung P Beobachtung Erklärung P Erklärung P Beobachtung P Beobachtung Erklärung P Erklärung posteror lkelhood pror Scheer/Brückner Maschnelles Lernen 37
38 38 Scheer/Brückner Maschnelles Lernen Mamum-A-Posteror-Hpothese Wahrschenlchstes Modell gegeben de Daten. log log arg mn arg ma arg ma arg ma p L P p L P L p p L P L p MAP Log-Lkelhood Log-Pror
39 Log-Lkelhood We ahrschenlch snd de Daten gegeben das Modell? Annahme: Datenpunkte snd unabhängg gezogen. log P L log P... N 1... log P log 1 λ' log P l N P 1 N N Annahme: spezelle Eponental-vertelung Scheer/Brückner Maschnelles Lernen 39
40 40 Scheer/Brückner Maschnelles Lernen Log-Lkelhood We ahrschenlch snd de Daten gegeben das Modell? Annahme: Datenpunkte snd unabhängg gezogen log log 1 1 N N P L P + l l l N N l e e e P P P ' 1 log log log log 1 1 λ β β β
41 Scheer/Brückner Maschnelles Lernen Gauß-Vertelung Normalvertelung 41
42 A-Pror-Wahrschenlchket Pror Datenunabhängg: Wahrschenlchket ür Modell bevor r de Daten angesehen haben. Normalvertelter Pror au Modellparametern. Negatver Log-Pror: p 1 e 2πσ log P 1 2 2σ 1 c + 2σ Scheer/Brückner Maschnelles Lernen 42
43 A-Posteror-Wahrschenlchket Posteror Wahrschenlchket ür Modell gegeben Vorssen und Daten. MAP arg ma arg mn arg mn p L log P L + λ Fole 37 zusammen mt 39 λ und σ zu λ zusammengeasst. l log p 2 Scheer/Brückner Maschnelles Lernen 43
44 Modell Hpothesenraum Verson Space Modell mt Parametern ür Vorhersage. Hpothesenraum: Raum aller Modelle. generalserte lneare Modelle Entschedungsbäume Verson Space: Modelle de mt Tranngsdaten konsstent snd. Lernen Parameterschätzung aus Tranngsdaten. Optmerungskrterum: Verlust über Tranngsbespele plus Regularserungsterm. Mnmum des Krterums: ahrschenlchstes Modell gegeben Daten und Pror. Scheer/Brückner Maschnelles Lernen 44
Modelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Slva Makowsk Tobas Scheffer Überblck Problemstellungen:
MehrModelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Domnk Lahmann Tobas Scheffer Überblck Problemstellungen:
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrBayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Slva Makowsk Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrKapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrTextklassifikation und Informationsextraktion
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen etklassfkaton und Informatonsetrakton obas Scheffer Peter Hader Paul Prasse Scheffer/Hader/Prasse: Scheffer/Saade: Sprachtechnologe
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrHUMBOLDT-UNIVERSITÄT ZU BERLIN. Institut für Informatik Lehrstuhl Wissensmanagement. Textklassifikation. Tobias Scheffer Ulf Brefeld
HUMBOLDTUNIVERSITÄT ZU BERLIN Insttut für Informatk Lehrstuhl Wssensmanagement Textklassfkaton Tobas Scheffer Ulf Brefeld Textklassfkaton Textklassfkator: Ordnet enen Text ener Menge von nhaltlchen Kategoren
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrDiskrete Logarithmen. Teil II
Dskrete Logarthmen Ron-Gerrt Vahle Hendrk Radke Unverstät Potsdam Insttut für Informatk Semnar Kryptographe SS2005 Tel II Glederung Pohlg-Hellman Index-Calculus Theoretsche Grenzen Endlche Körper Eplog
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrEntfaltungs-Methoden in der Datenanalyse. Matthias Bartelt Universität Dortmund
Entfaltungs-Methoden n der Datenanalyse Matthas Bartelt Unverstät Dortmund bartelt@physk.un-dortmund.de Matthas Bartelt Astrotelchenphysk-Schule Erlangen 2005 1 Überscht Motvaton Mathematsches Problem
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
Mehr2. Wahrscheinlichkeitsrechnung
. Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven
MehrLösungen aller Aufgaben und Lernkontrollen
Oft gbt es be den Aufgaben mehr als nur enen rchtgen Lösungsweg. Es st jedoch mest nur ene Lösung dargestellt. Aufgaben u Kaptel Lösung u Aufgabe a) nach Defnton von. b) 4 ( ) ( ). c) 5 4. d) ( ) (( )
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrInhalt dieses Kapitels. Das Klassifikationsproblem, Bewertung von Klassifikatoren. Grundbegriffe, Parameterwahl, Anwendungen
3. Klassfkaton 3.1 Enletung Inhalt deses Kaptels Das Klassfkatonsproblem, Bewertung von Klassfkatoren 3.2 Bayes-Klassfkatoren Optmaler Bayes-Klassfkator, Naver Bayes-Klassfkator, Anwendungen 3.3 Nächste-Nachbarn-Klassfkatoren
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
MehrEntscheidungstheorie Teil 1. Thomas Kämpke
Entschedungstheore Tel Thomas Kämpke Sete 2 Entschedungstheore Tel Inhalt Kompaktensteg Wahrschenlchketsrechnung Wahrschenlchketsmaß auf Grundraum Enfaches Lotto Stochastsche Unabhänggket Verknüpfung von
MehrStützvektormethode (SVM) Erinnerung: Funktionslernen. Beispiel: Funktionenlernen. Reale Beispiele
technsche unverstät Fakultät für Inforatk technsche unverstät Fakultät für Inforatk Stützvektorethode (SVM) Maxeren der Brete ener separerenden Hyperebene axu argn ethod Transforaton des Datenraus durch
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrEntscheidungstheorie Teil 3. Thomas Kämpke
Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrHocheffiziente Antwortflächenverfahren für die probabilistische Simulation und Optimierung unter Anwendung des Gauss-Prozesses
In1 Hocheffzente Antwortflächenverfahren für de probablstsche mulaton und Optmerung unter Anwendung des Gauss-Prozesses Dr.-Ing. The-Quan Pham OptY e.k. Aschaffenburg Dr.-Ing. Alfred Kamusella Insttut
Mehr9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen
9 Phasenglechgewcht n heterogenen Mehrkomonentensystemen 9. Gbbs sche Phasenregel α =... ν Phasen =... k Komonenten Y n (α) -Molzahl der Komonente Y n der Phase α. Für jede Phase glt ene Gbbs-Duhem-Margules
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl ür Statstk und emp. Wrtschatsorschung, Pro. R. T. Rphahn, Ph.D. Bachelorprüung, Praxs der emprschen Wrtschatsorschung Augabe 1: [11 Punkte] Se vermuten, dass das Nveau der Wohnungsmeten n Unverstätsstädten
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
Mehr