Konfusionsmatrix

Übungsaufgaben zu neuronalen Netzen und Modellbewertung

Zwei Übungsaufgaben zu neuronalen Netzen und zur Bewertung von Modellen: Fehler in einer Perzeptron-Erklärung finden, Ausgaben und einen Lernschritt berechnen, ein kleines mehrschichtiges Netz vorwärts durchrechnen, Grenzen fester Bildregeln aufzeigen und die Parameterzahl einer Faltungsschicht mit englischer PyTorch-Dokumentation bestimmen; danach eine Konfusionsmatrix aus einer Stichprobe auszählen, Kennzahlen berechnen und verständlich erklären, ein Modell nach Kapazität und Einsatzzweck auswählen und die Abstimmung eines Random Forest begründen.

Neuronale Netze und Modellbewertung

Wie rechnet ein künstliches Neuron, und wie lernt ein Netz aus vielen davon? Der Artikel erklärt das Perzeptron mit Eingaben, Gewichten, Bias und Aktivierungsfunktion, die Lernregel, mehrschichtige Netze mit Eingabe-, verdeckten und Ausgabeschichten sowie das Training mit Backpropagation. Er zeigt, warum sich neuronale Netze und besonders Convolutional Neural Networks für Bilder eignen und wie ein Random Forest mehrere Entscheidungsbäume abstimmen lässt. Zum Schluss geht es darum, wie gut ein Modell ist: Konfusionsmatrix, Accuracy, Sensitivity und Precision, die Wahl der passenden Kennzahl und der Vergleich von Modellen.