BI-Methoden (Teil 3): Data Mining im Detail

Künstliche Neuronale Netze

Künstliche Neuronale Netze (KNN) versuchen, Data Mining Aufgaben durch Nachbildung der Arbeitsweise des menschlichen Gehirns zu lösen. Dabei können KNN für alle bereits erwähnten Aufgaben genutzt werden, also zur Erstellunge eines Klassifikationsmodells, einer Regressionsanalyse und für die Clusterbildung.

Das Grundkonzept von KNN kann hier nur knapp dargestellt werden: KNN sind als Netz unabhängiger Neuronen aufgebaut, welche jeweils in Schichten, so genannten Layers, angeordnet sind. Diese Schichten sind mit ihren Nachfolgern verbunden. Es gibt eine Eingabe- und eine Ausgabeschicht. Bei manchen Neuronalen Netzen liegen dazwischen noch weitere Verbindungsschichten.

Das Besondere an KNN ist, dass sie lernfähig sind. Mit Hilfe von Trainingssets werden Klassifikationen von Daten erlernt. Hierfür existiert eine Grundstruktur, welche die spezifischen Merkmale der Neuronen definiert, erstellt und mit Hilfe von Lernregeln an eine Datenmenge, das Trainingsset, anpasst.

Um ein Modell zu generieren, muss man das Ausgangmodell in mehreren Iterationen verbessern. Dabei werden meist viele Durchläufe benötigt um zu sinnvollen Ergebnissen zu gelangen.

Die wohl bekannteste Anpassungsmethode ist Backpropagation. Hier wird der Output mit den richtigen Daten verglichen und es wird versucht, den Fehler - die Abweichung von der Realität - mit der Veränderung von Gewichtungen zu optimieren.

Je nach Art der Lernregeln unterscheidet man zwischen vorwärts gerichteten Künstlichen Neuronalen Netzen, welche zur Klassifikation oder Regression angewendet werden, und Kohonen-Netzen, die zur Erkennung von Clustern eingesetzt werden.