Neuronale Netze

Zusammenfassung

Neuronale Netze werden in diesem Kapitel auf sieben Seiten in den wesentlichen Grundzügen vorgestellt, indem die mittels Neuronalen Netzen zu behandelnden Problemstellungen sowie die Vorgehensweise skizziert werden und die Umsetzung mit SPSS aufgezeigt wird. In der Realität sind die Wirkungsbeziehungen zwischen Variablen häufig sehr komplex, wobei sich die Komplexität einerseits in einer großen Anzahl von miteinander verknüpften Einflussfaktoren äußert, andererseits darin, dass die Beziehungen zwischen den Variablen häufig nicht-linear sind. Auch kann der Anwender in vielen Fällen keine begründeten Hypothesen über die Art der Zusammenhänge aufstellen. In solchen Fällen sind sog. (Künstliche) Neuronale Netze von großem Nutzen, da der Anwender bei dieser Gruppe von Analyseverfahren nicht zwingenderweise eine Vermutung über den Zusammenhang zwischen Variablen treffen muss. Das bedeutet, dass weder eine kausale Verknüpfung zwischen Variablen postuliert noch die Verknüpfung zwingend als linear unterstellt werden muss. Außerdem können Neuronale Netze auch Variablen mit unterschiedlichem Skalenniveau verarbeiten. Neuronale Netze ermitteln die Zusammenhänge zwischen Variablen selbständig durch einen Lernprozess und können dabei eine Vielzahl von Variablen berücksichtigen.

Eine ausführliche Darstellung der Nichtlinearen Regression mit der Berechnung eines umfangreichen Fallbeispiels findet der Leser in dem Buch von:

Backhaus, K./Erichson, B./ Weiber, R.: Fortgeschrittene Multivariate Analysemethoden, 3. Aufl., Berlin Heidelberg 2016.