Neuronale Netze

Aufgabenstellung für Neuronale Netze

Selbstlernende Systeme gewinnen im Zuge immer leistungsfähigerer EDV in den verschiedenen wissenschaftlichen Disziplinen an Bedeutung.

Im Rahmen der Marktforschung und des Data Base-Management können die zugrundeliegenden Verfahren vor allem für folgende Aufgabenstellungen verwendet werden:

  • Segmentierung von Zielgruppen (alternativ oder ergänzend zur Clusteranalyse)
  • Die Bestimmung eines Prognosewertes aufgrund vorliegender Merkmalsdaten (ähnlich wie bei der Regressions- oder Diskriminanzanalyse)

Im Hinblick auf die erstgenannte Anwendung muss im Einzelnen geprüft werden, ob die klassische Clusteranalyse oder Neuronale Netze zu stabileren und handhabbareren Ergebnissen führen.

Bezüglich der zweiten Anwendung haben Neuronale Netze den großen Vorteil, auch nicht lineare Zusammenhänge ohne Vorgabe konkreter Formeln erkennen zu können.

Voraussetzungen

Die Daten dürfen in beliebiger Form vorliegen. Es sollten so viele Fälle zur Verfügung stehen, dass die Stichprobe in eine Analyse- und in eine Validierungsstichprobe aufgeteilt werden kann (mindestens 400).

Neuronale Netze liefern Muster, nicht Formeln. Es lassen sich somit nicht – wie etwa bei der Regressionsanalyse – Zusammenhänge erkennen, die zu globalen Handlungsempfehlungen führen. Der Vorteil liegt darin, konkrete Aussagen über einzelne Fälle machen zu können.

Für Neuronale Netze werden nichtlineare Einflüsse von Einkommen und Alter auf die Rückzahlungssicherheit bei Bankkrediten dargestellt. Zu sehen ist ein geographisches Modell, was dreidimensional mit den Achsen Alter, Einkommen und Rückzahlgarantie in Prozent agiert.

Nichtlineare Einflüsse von Einkommen und Alter auf die Rückzahlungssicherheit bei Bankkrediten