Maschinelles Lernen - Methoden Wissensbasierter Systeme - page 115

2. Bestimmen Sie die entsprechenden Entscheidungsregeln.
3. Interpretieren Sie das Ergebnis: Wie konnte der Rat der Unternehmungsbera-
tung gelautet haben?
4. Jemand behauptet, der Unternehmensberatung kame es auf die Abteilungen gar
nicht an, sie wollte sowieso nur “gewisse Leute loswerden” oder sich profilieren.
Konnen Sie diese Behauptung widerlegen?
5. Welcher Entscheidungsbaum ware entstanden, wenn man die Reihenfolge der
Attribute in der Tabelle umgekehrt hatte, die Attribut-Auswahlvorschrift jedoch
beibehalten hatte? Wie wurde die entsprechende Interpretation dann lauten?

5.3.4 Bewertung des Lernerfolges und Anwendungen

In der vorigen Selbsttestaufgabe haben wir ein Beispiel dafur gesehen, dass ein
von DT generierter Entscheidungsbaum zwar alle Beispiele der gegebenen Trai-
ningsmenge korrekt klassifiziert, aber andere Beispiele falsch klassifiziert, wenn man
als Korrektheitsmaßstab einen zuvor gegebenen Entscheidungsbaum zugrunde legt.
MankanndenLernerfolgvon DT verbessern, indem man mehr Beispiele in die
Trainingsmenge aufnimmt, insbesondere solche, die zuvor falsch klassifiziert wur-
den. Eine Methode, den Lernerfolg von DT zu bewerten, ist, neben der Trainings-
menge noch eine separate Menge von Beispielen, genannt Testmenge ,zuhaben.
Je mehr Beispiele der Testmenge von dem generierten Entscheidungsbaum korrekt
klassifiziert werden, desto hoher ist der Lernerfolg zu bewerten.
In [160] wird von einer Anwendung des Entscheidungsbaumlernens berichtet,
bei dem es um die Entwicklung eines regelbasierten Expertensystems GASOIL fur
den Entwurf von Trennungsanlagen fur Gas und Ol geht. Mit ca. 2500 Regeln eines
der zu seiner Zeit großten kommerziellen Expertensysteme waren etwa 10 Perso-
nenjahre notwendig gewesen, um es von Hand zu entwickeln. Durch die Anwendung
des Entscheidungsbaumlernens auf eine Datenbank mit Beispielen fur existierende
Entwurfe wurde das System in nur 100 Personentagen entwickelt. Es soll besser
als menschliche Experten sein und seiner Betreiberfirma BP viele Millionen Dollar
Ersparnis eingebracht haben.
In [201] wird das Entscheidungsbaumlernen fur die Aufgabe eingesetzt, eine
Cessna auf einem Flugsimulator zu fliegen. Dazu wurde eine Datensammlung auf-
gebaut, indem man drei erfahrene Piloten einen bestimmten Flug jeweils 30mal
durchfuhren ließ. Die einzelnen Aktionen der Piloten wurden in Beispielsatzen fest-
gehalten, wobei jedes Beispiel mehr als zwanzig Attributwerte zur Beschreibung der
Zustandsvariablen und die durch den Piloten ausgefuhrte Aktion umfasste. Auf diese
Weise erhielt man 90000 Beispiele, aus denen ein Entscheidungsbaum mit dem Lern-
verfahren C4.5 [187] generiert wurde, das wir im nachsten Abschnitt noch genauer
vorstellen werden. Dieser Entscheidungsbaum wurde in ein C-Programm konver-
tiert. Die Verwendung des C-Programms als Kontrollprogramm fur den Flugsimu-
lator fuhrte zu dem erstaunlichen Ergebnis, dass es teilweise sogar besser abschnitt
als die Piloten, von denen die Beispieldaten stammten. Eine Erklarung fur dieses
Phanomen ist, dass der Generalisierungsprozess beim Entscheidungsbaumlernen ge-
legentliche Ungenauigkeiten und Fehler, die bei Menschen auftreten, eliminiert.