 Nichtparametrische MethodenBenny Botsch () Chapter Kapitel 6 in Maschinelles Lernen - Grundlagen und Anwendungen, 2023, pp 103-121 from Springer Abstract: Zusammenfassung Nichtparametrische Methoden beim maschinellen Lernen sind statistische Methoden, die keine Annahmen über die Verteilung der Daten in der Grundgesamtheit machen. Im Gegensatz zu parametrischen Methoden, die davon ausgehen, dass die Daten eine bestimmte Verteilung (z. B. normalverteilt) haben, sind nichtparametrische Methoden flexibler und können angewendet werden, wenn diese Annahmen nicht erfüllt sind oder nicht bekannt sind. Ein Beispiel für eine nichtparametrische Methode im maschinellen Lernen ist die Verwendung von Entscheidungsbaum-Algorithmen. Diese Algorithmen können verwendet werden, um Klassifikationsprobleme ohne Annahmen über die Verteilung der Daten in der Grundgesamtheit zu lösen. Sie teilen die Daten in mehrere Untergruppen auf, indem sie bestimmte Merkmale der Daten betrachten und Entscheidungen auf der Grundlage von Schwellenwerten treffen. Ein weiteres Beispiel ist die Verwendung von k-NN(k-„nearest neighbors“ bzw. k-Nächste-Nachbarn)-Algorithmen für die Regression oder Klassifikation. Diese Algorithmen basieren auf der Annahme, dass ähnliche Beobachtungen in der Nähe liegen und berechnen die Vorhersage für eine gegebene Eingabe basierend auf den k am nächsten liegenden Beobachtungen. Date: 2023 There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it. Related works: Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-662-67277-8_6 Ordering information: This item can be ordered from DOI: 10.1007/978-3-662-67277-8_6 Access Statistics for this chapter More chapters in Springer Books from Springer |
Is your work missing from RePEc? Here is how to contribute.
Questions or problems? Check the EconPapers FAQ or send mail to .
EconPapers is hosted by the
School of Business at Örebro University.