Evaluation und Performance-Messung

Thomas Bartz-Beielstein ()
Additional contact information
Thomas Bartz-Beielstein: TH Köln, Institut Data Science, Engineering, and Analytics

Chapter Kapitel 5 in Online Machine Learning, 2024, pp 47-66 from Springer

Abstract: Zusammenfassung Dieses Kapitel behandelt Aspekte, die bei der Evaluation von Online Machine Learning (OML)-Algorithmen, insbesondere bei deren Vergleich mit Batch Machine Learning (BML)-Algorithmen, zu berücksichtigen sind. Die folgenden Überlegungen spielen hierbei eine wichtige Rolle: 1. Wie werden Trainings- und Testdaten ausgewählt? 2. Wie kann die Performanz gemessen werden? 3. Welche Verfahren zur Erzeugung von Benchmark-Datensätzen gibt es? Abschnitt 5.1 beschreibt die Auswahl von Trainings- und Testdaten. Abschnitt 5.2 stellt eine Implementierung in Python zur Auswahl von Trainings- und Testdaten vor. Abschnitt 5.3 beschreibt die Berechnung der Performanz. Abschnitt 5.4 beschreibt die Erzeugung von Benchmark-Datensätzen im Bereich von OML.

Date: 2024
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-658-46162-1_5

Ordering information: This item can be ordered from
http://www.springer.com/9783658461621

DOI: 10.1007/978-3-658-46162-1_5

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().