Machine Learning Methods for Fuzzy Pattern Tree Induction

Diese Arbeit befasst sich mit einer neuen Methode im Bereich des "unscharfen maschinellen Lernens". Dieser Bereich umfasst Methoden, die eine Kombination von maschinellen Lernverfahren mit Konzepten aus der Theorie unscharfer Mengen (Fuzzy Set Theory) darstellen. Im Speziellen beschäftigt sich die Arbeit mit der Modellklasse der sogenannten Fuzzy Pattern Trees. Diese Modellklasse wurde kürzlich vorgestellt und dient der Modellierung von Abhängigkeiten zwischen Ein- und Ausgabevariablen in Problemstellungen des überwachten Lernens (supervised learning) wie beispielsweise Regression und Klassifikation. Aufgrund ihrer hierarchischen und modularen Struktur sowie der Verwendung von unterschiedlichen, zum Teil nicht-linearen Aggregationsoperatoren ist die Modellklasse in der Lage, diese Abhängigkeiten flexibel und kompakt darzustellen. Dabei erreicht sie eine gute Balance zwischen prädiktiver Genauigkeit und Transparenz. Schwerpunkt dieser Arbeit ist die Entwicklung neuer Algorithmen zum Lernen von Fuzzy Pattern Trees aus Daten. Insgesamt werden in dieser Arbeit neben einer Reihe von Heuristiken drei neue Algorithmen vorgestellt. Während die ersten beiden nahezu ausschließlich auf die Verbesserung der Prädiktionsgenauigkeit abzielen, wird mit dem dritten die Verbesserung der Laufzeit während der Trainingsphase erreicht. Die Beschreibung der Algorithmen ist immer sowohl von einer theoretischen Diskussion als auch einer empirischen Evaluierung begleitet, die die Effektivität und Effizienz der Algorithmen demonstriert und statistisch belegt.