Schwarmintelligenz und evolutionäre Algorithmen in ...

5.3 Experimente
1.2
1.1
Optimierte Gewichte
Zufällige Gewichte
Kein Gewicht
MAE (mean absolute error)
1
0.9
0.8
0.7
0.6
0.5
0.4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Benutzer
Abbildung 5.6: Auswirkungen von optimierten, zufälligen oder festen Gewichtsvektoren für
20 Benutzer auf den mittleren absoluten Fehler (MAE). Der optimierte Gewichtsvektor
ergibt für fast alle Benutzer einen kleineren Fehler und für keinen
Benutzer einen schlechteren Fehler.
aktive Benutzer als Heatmap aufgeführt, aus der man diese Schwankungen ablesen kann. Zusätzlich
wurde für die gleichen Benutzer die Streuung der einzelnen Gewichte mit Boxplots
dargestellt, siehe Abbildung 5.9.
Verschiedene Abstandsmaße Es soll untersucht werden, wie sich die verschiedenen Abstandsmaße
auf den MAE auswirken. Es wurden für alle vier vorgestellten Abstandsmaße
für 20 Benutzer je 5 unabhängige Läufe durchgeführt und der minimale MAE-Wert verwendet.
In Abbildung 5.10 sieht man, dass für manche Benutzer eines der Maße einen besseren
MAE Wert ergibt als die anderen Maße, jedoch kein Maß bei allen Benutzern immer besser
ist als die anderen. Der euklidische Abstand ist in 14 von 20 Fällen das schlechteste Maß.
Als statistischer Test wurde Kruskal-Wallis-Test verwendet. H 0 lautet, dass es keinen Unterschied
zwischen den Abstandsmaßen gibt. Es ergibt sich p-Wert von 0.5813, d.h. H 0 kann
nicht abgelehnt werden.
Wahl der Nachbarschaftsgröße Es wurde die Auswirkung der Nachbarschaftsgröße auf
den mittleren absoluten Fehler untersucht. Dafür wurde für 10 verschiedene aktive Benutzer
im Wechsel jede mögliche Nachbarschaftsgröße verwendet und der MAE bestimmt. In
Abbildung 5.11 ist der Verlauf des MAE abgebildet. Es ist zu sehen, dass sich der MAE bei
ansteigender Nachbarschaftsgröße verringert und ab ca. 400 Benutzern stabilisiert.
71