<<
zurück
Was
ist ein Künstliches Neuronales Netz? (2)
Künstliche
Neuronale Netze stellen mathematische
Funktionen/Zusammenhänge zwischen mehreren
Eingangsvariablen und
Ausgangsvariable(n)/Zielgröße(n) dar. Im Fall
von Börsenprognosenanalysen ist das der
Zusammenhang zwischen Kursdaten und einem
zukünftigen Kurs bzw. der Prognose.
Ein Zusammenhang
ist durch die Anzahl der Eingangsvariablen und
seine Linearität/Gleichlauf gekennzeichnet
(Dimensionen der Komplexität).
Mit klassischen mathematischen
Verfahren lassen sich entweder lineare Probleme
mit vielen Eingangsvariablen/Einflußfaktoren
oder nichtlineare Probleme mit wenigen
Einflußfaktoren behandeln.
Nichtlineare Probleme mit vielen
Einflußfaktoren (beide Dimensionen maximal)
stellen sich als sehr problematisch dar.
Künstliche Neuronale Netze lösen dieses
Problem.
Die Ermittlung des
zu ermittelnden Zusammenhanges durch das
Neuronale Netz wird als Lernvorgang bezeichnet.
Dabei wird keine mathematische Gleichung im
herkömmlichen Sinne gelöst. Vielmehr werden dem
Netz ständig die Lernbeispiele/Muster
repräsentiert, für die es dann jeweils neue
"unscharfe" Repräsentanten bildet
sowie dessen Güte ermittelt. Dieser sukzessive
Prozess erfolgt solange, bis die Güte der
Repräsentanten ausreichend ist. Diese
Vorgehensweise entspricht dem biologischen
Lernen.
Im Gegensatz zum
Menschen kann das Künstliche Neuronale Netz
jedoch Modelle mit sehr vielen Einflußgrößen
erstellen, die zudem stark nichtlinear sein
können (s.o.). Daneben kann eine große Anzahl
von Daten untersucht werden, außerdem können
subjektive Einflüsse ausgeschlossen werden.
Der Gefahr der
Überanpassung an die verwendeten Beispieldaten
wird durch eine neuartige Technik, dem
Overfitting-Control-Management (OCM)
entgegengewirkt.
>> Teil
3 : Was ist ein Künstliches Neuronales Netz
|
