Rating mit künstlich-neuronalen Netzen

Zusammenfassung

Der Determinantengraph, verstanden als Magisches Vieleck, stellt ein hochgradig interdependentes und komplexes System dar, wie durch die Betrachtung der Zielbeziehungen in Kapitel 4.3 deutlich wurde. Zur Simulation interdependenter Systeme eignen sich rekurrente Netze. Hierbei stellen alle Neuronen sowohl Input- als auch Output-Neuronen dar. Zur Simulation sollen thermodynamische Netze eingesetzt werden, die unüberwacht lernen, da im vorliegenden Anwendungsfall keine Zielmuster bekannt sind. Thermodynamische Netze bieten sich auch deshalb an, da mit ihrer Hilfe quasi die Harmonie oder auch Energie des Magischen Vielecks ermittelt werden kann, die diesem aufgrund der unterschiedlichen Zielerreichungsgrade inhärent ist. Feed-forward Netze werden deshalb nicht verwendet, da dabei der Datenfluß nur in eine Richtung erfolgt und somit die Interdependenzen nicht zum Tragen kommen worden. Algorithmen, die ein überwachtes Lernen erfordern, wie das Backpropagation Netzwerk (Rumelhart et al. 1986b), scheiden in Ermangelung von Zielmustern aus. Auch competitive Netze, wie das Kohonen-Netzwerk (Kohonen 1982), bei dem keine Zielmuster bekannt sein müssen, eignen sich für die Problemstellung nicht. Der dort eingesetzte Algorithmus, der auf der Ähnlichkeit von Inputvektoren beruht, kann die Problemstellung nicht adäquat behandeln, denn es soll ja gerade die Möglichkeit bestehen, z.B. einen extrem schlechten Indikatorwert (5) mit einem sehr guten anderen (1) quasi zu kompensieren. Diese Kompensation käme in einem Kohonen-Netzwerk nicht zum Tragen, da der Inputvektor <5, 1> u.U. anders klassifiziert werden würde als <1, 5>.