About the Course
S Statistisches Lernen. Regressionswälder und verwandte Verfahren (AMS, Teil I / II)
Seit 25 Jahren sind unter dem Namen "statistisches Lernen" Algorithmen entwickelt worden, die deutliche Verbesserungen der Vorhersagekraft bei Klassifikations- und Regressionsproblemen gegenüber klassischen statistischen Verfahren wie der (nicht-) linearen Regression und der Diskriminanzanalyse erbracht haben. Grundlage des Erfolgs sind Methoden, Ergebnisse aus wiederholten Stichproben der ursprünglichen Daten optimal zu kombinieren.
Behandelt wird zunächst die Konstruktion von Regressions- und Klassifikationsbäumen als eine mögliche, sehr intuitive Erweiterung von Regressions- und Diskriminanzverfahren. Über die Idee der Modellwahl, in der Kreuzvalidierungs- und Bootstrapverfahren mit Regularisierungsmethoden kombiniert werden, werden dann Regressions- und Klassifikationswälder eingeführt. Die Themen werden hauptsächlich anhand praktischer Beispiele in R diskutiert und ausprobiert.
Ziel des Seminars ist es, die grundlegenden Techniken an einfachen Beispielen so transparent darzustellen, dass Teilnehmer_innen die Verfahren in wichtigen Anwendungszusammenhängen selber durchführen und interpretieren können. Zudem sollen die Teilnehmer_innen effiziente Versionen der grundlegenden Ideen kennenlernen und in der Lage sein, deren Anwendungsmöglichkeiten abzuschätzen.
Voraussetzungen für Studiennachweise / Modulprüfungen:
Übungen am Rechner (Studiennachweis) bzw. Bearbeitung von Übungsaufgaben (Modulprüfung).
Behandelt wird zunächst die Konstruktion von Regressions- und Klassifikationsbäumen als eine mögliche, sehr intuitive Erweiterung von Regressions- und Diskriminanzverfahren. Über die Idee der Modellwahl, in der Kreuzvalidierungs- und Bootstrapverfahren mit Regularisierungsmethoden kombiniert werden, werden dann Regressions- und Klassifikationswälder eingeführt. Die Themen werden hauptsächlich anhand praktischer Beispiele in R diskutiert und ausprobiert.
Ziel des Seminars ist es, die grundlegenden Techniken an einfachen Beispielen so transparent darzustellen, dass Teilnehmer_innen die Verfahren in wichtigen Anwendungszusammenhängen selber durchführen und interpretieren können. Zudem sollen die Teilnehmer_innen effiziente Versionen der grundlegenden Ideen kennenlernen und in der Lage sein, deren Anwendungsmöglichkeiten abzuschätzen.
Voraussetzungen für Studiennachweise / Modulprüfungen:
Übungen am Rechner (Studiennachweis) bzw. Bearbeitung von Übungsaufgaben (Modulprüfung).