Ensemble-Techniken und ordinale Klassifikation

Aufgrund der Entwicklung von aggregierten Methoden wurde in den
letzten Jahren eine Reihe neuer Verfahren im Forschungsfeld der
Klassifikation und Prädiktion eingeführt. Die beiden wichtigsten
Entwicklungen, nämlich Bagging und Boosting, wurden sowohl für den
Fall von binären Zielvariablen als auch für den Mehrklassenfall
ausführlich diskutiert und analysiert. Während diese angeführten
Methoden die Klassenvariable jedoch als nominale Größe ohne
Ordnungsstruktur betrachten, kann die Zielvariable in vielen
Anwendungen als eine geordnete kategoriale Größe angesehen werden.
In dieser Arbeit sollen deshalb Varianten für Bagging und Boosting
entwickelt und vorgestellt werden, die in der Lage sind, die durch
die ordinale Struktur in den Daten gegebene Information zu nutzen.
Ferner wird aufgezeigt, wie die Qualität der Vorhersagen durch die
Verwendung dieser auf die Problemstellung abgestimmten
Aggregationsverfahren verbessert wird. Die dazu nötigen empirischen
Vergleiche zwischen diversen Klassifikationstechniken werden nicht
nur anhand von Fehlklassifikationsraten durchgeführt; stattdessen
sollen auch Kriterien, die die Ordinalität in Vorhersage und
Zielgröße zu berücksichtigen vermögen, herangezogen werden. Hier
spielen in erster Linie verschiedene Abstandsmaße eine Rolle. Aber
auch auf der Basis anderer Techniken und Ansätze kann man
versuchen, dem Problem der ordinalen Klassenstruktur zu begegnen:
Nächste-Nachbarn-Verfahren, die eine der intuitivsten und
einfachsten Methoden zur Klassifikation darstellen, werden in
dieser Arbeit durch einige Modifikationen an die besonderen
Strukturen von ordinalen Zielgrößen angepaßt. Abschließend können
die Resultate dieses zweiten Ansatzes, der ohne großen
Rechenaufwand auskommt, mit denjenigen der modernen und
rechenintensiven Aggregationstechniken verglichen werden.