Knstliche Neuronale Netze (KNN) zhlen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit groen Erwartungen hinsichtlich Prognosefhigkeiten und Erkenntnisgewinn verbunden.

Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Strken und Schwchen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zhlen. Dafr steht neben knstlich generierten Datenstzen auch ein realer Datensatz mit vollstndigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfgung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivittsanalysen die wichtigen Inputvariablen und berprft die aufgezeigten nichtlinearen Zusammenhnge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nmlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenbersteht.

Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung von K nstlichen Neuronalen Netzen wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die St rken und Schw chen von mehrschichtigen Perzeptronen, die zu dieser Modellierungsklasse z hlen. Sie vergleicht deren Performance mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivit tsanalysen die wichtigen Inputvariablen und berpr ft die aufgezeigten nichtlinearen Zusammenh nge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der K nstlichen Neuronalen Netze, n mlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegen bersteht.