Musterlösungen - Cognitive Computing - page 502

Bezüglich der Operatoren ist es sinnvoll, bei binärer Codierung die klassischen Opera-
toren zu verwenden, um dabei die Mutationsrate mit verschiedenen Werten durchzutesten.
Dabei wird beim Crossover darauf geachtet, dass es zwischen den einzelnen Elementen zu
keinen großen Sprüngen kommt. Zwischen der binären und reellen Umsetzung des Cross-
over bestehen bezüglich der Ergebniserwartung keine großen Unterschiede, lediglich in
der Mutation lassen sich solche Unterschiede ausmachen. Unabhängig davon lassen sich
die beiden Umsetzungsvarianten in den folgenden Aspekten unterscheiden:
• Qualität der gefundenen optimalen Lösung: Nach einer beschränkten Anzahl von Ge-
nerationen soll ein brauchbarer Wert herauskommen.
• Konvergenzgeschwindigkeit : Hier entscheidet die Dauer, bis eine annehmbare Lösung
gefunden ist. Beispielsweise zeigt sich, dass ein Wert von 78 % im Bereich der Erreich-
baren liegt. Insofern arbeitet der Algorithmus solange und erzeugt eine Anzahl von
Generationen, bis dieser Prozentsatz erreicht wird.
• Adäquatheit der Implementierung : Je einfacher die Realisierung erfolgt, desto besser
wird diese Lösung auch bewertet.
Es empfiehlt sich, den Algorithmus mit unterschiedlichen Einstellungen (Crossover-Va-
riante, Mutationsrate, etc.) arbeiten zu lassen. Dabei zeigt sich, dass es durchaus zu Durch-
läufen kommen kann, die erwartete Fittnesmarke aber auch nach den maximalen Genera-
tionen nicht erreicht wird. Ein Grund hierfür kann sein, dass die durchschnittliche Fittness
viel zu nah an der besten Fittness liegt, so dass die Populationen zu homogen sind. In solch
einem Fall empfiehlt es sich, die Mutationsrate zu erhöhen. Die grafische Ausgabe hierzu
stellt die durchschnittliche Fittness der besten Fittness der aktuellen Population gegen-
über. Daran erkennt man beispielsweise, dass schon nach relativ wenigen Generationen
das Optimum erreicht wird. Im Falle des Kreditscoring lässt sich mit den Einstellungen
der reellen Codierung, einer globalen Mutation mit einer Wahrscheinlichkeit von 0.015
die beste Performance erzielen.
Insgesamt zeigt sich, dass sich der Algorithmus zur Diskriminanzanalyse als sehr ro-
bust und flexibel erweist, d. h. er kann allgemein zur optimalen Wahl von reellen Koeffizi-
enten einer Funktion herangezogen werden. Weiterhin ergeben die Testläufe, dass sowohl
die binäre als auch die reelle Codierung verwendet werden kann. Es muss lediglich darauf
geachtet werden, die jeweiligen Rahmenbedingungen zu wählen und dabei insbesonde-
re die geeigneten Parameter zu finden. Eine Mutation, die die lokale Veränderung nicht
imitiert, die der klassische genetische Algorithmus vorgibt, muss nicht in jedem Falle zu
schlechteren Ergebnissen führen. Es verbietet sich also nicht, eine besonders einfache Art
von Mutation anzuwenden. In der Summe lassen sich mit dem Einsatz von genetischen
Algorithmen im Vergleich zu klassischen statistischen Verfahren durchaus vergleichbare,
wenn nicht sogar besserer Lösungen erzielen.