2016 | OriginalPaper | Buchkapitel
Neuronale Netze
verfasst von : Klaus Backhaus, Bernd Erichson, Rolf Weiber, Wulff Plinke
Erschienen in: Multivariate Analysemethoden
Verlag: Springer Berlin Heidelberg
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
Neuronale Netze werden in diesem Kapitel auf sieben Seiten in den wesentlichen Grundzügen behandelt, indem die mittels Neuronalen Netzen zu behandelnden Problemstellungen sowie die Vorgehensweise skizziert werden und die Umsetzung mit SPSS aufgezeigt wird. In der Realität sind die Wirkungsbeziehungen zwischen Variablen häufig sehr komplex, wobei sich die Komplexität einerseits in einer großen Anzahl von miteinander verknüpften Einflussfaktoren äußert, andererseits darin, dass die Beziehungen zwischen den Variablen häufig nicht-linear sind. Auch kann der Anwender in vielen Fällen keine begründeten Hypothesen über die Art der Zusammenhänge aufstellen. In solchen Fällen sind sog. (Künstliche) Neuronale Netze von großem Nutzen, da der Anwender bei dieser Gruppe von Analyseverfahren nicht zwingenderweise eine Vermutung über den Zusammenhang zwischen Variablen treffen muss. Das bedeutet, dass weder eine kausale Verknüpfung zwischen Variablen postuliert noch die Verknüpfung zwingend als linear unterstellt werden muss. Außerdem können Neuronale Netze auch Variable mit unterschiedlichem Skalenniveau verarbeiten. Neuronale Netze ermitteln die Zusammenhänge zwischen Variablen selbständig durch einen Lernprozess und können dabei eine Vielzahl von Variablen berücksichtigen. Eine ausführliche Darstellung zu Neuronalen Netzen mit der Berechnung eines umfangreichen Fallbeispiels findet der Leser in dem Buch von: Backhaus, K./Erichson, B./ Weiber, R.: Fortgeschrittene Multivariate Analysemethoden, 3. Aufl., Berlin Heidelberg 2016.