Hausarbeit - Friedrich-Schiller-Universität Jena
Hausarbeit - Friedrich-Schiller-Universität Jena
Hausarbeit - Friedrich-Schiller-Universität Jena
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
BONHAM-CARTER ET AL (1998:173) transformiert dabei den Ausdruck der<br />
Wahrscheinlichkeit in die logarhitmische Form log e . Wenn nun L() für den Logarithmus<br />
geschrieben wird, ergibt sich für den A-Posteriori-Logarhitmus (das Ergebnis der<br />
Methode) für nur ein evidential theme folgende Gleichung:<br />
L(D¦ B) = L(D) + W +<br />
bei Vorhandensein des Themas oder:<br />
L(D¦ ) = L(D) + W -<br />
bei Nicht-Vorhandensein des Themas. Es wird nun davon gesprochen, dass der A-<br />
Priori-Logarhitmus durch die evidences zum A-Posteriori-Logarhitmus „aktualisiert“<br />
(„updated“) wird. Dies ist nun die logarithmische Form des Bayes Theorem. Wenn zwei<br />
binäre evidential themes (B 1 und B 2 ) gegeben sind, führt das zu vier möglichen<br />
Situationen, in die sie kombiniert sein können:<br />
L(D¦ B 1 n B 2 ) = L(D) + W + +<br />
1 + W 2<br />
L(D¦ 1 n B 2 ) = L(D) + W - +<br />
1 + W 2<br />
L(D¦ B 1 n 2) = L(D) + W + -<br />
1 + W 2<br />
L(D¦ 1 n 2) = L(D) + W - -<br />
1 + W 2<br />
,<br />
,<br />
und<br />
.<br />
Drei oder mehreren evedential themes werden ähnlich kombiniert, indem die<br />
angemessenen weights der Themen zusätzlich addiert werden. Die abschließende<br />
Gleichung, die das Ergebnis der weights of evidence Methode liefert lautet dann:<br />
L(D¦ B 1 n B 2 n B 3 …B n } = L(D) + S W + i .<br />
Wie bereits weiter oben beschrieben ist diese Gleichung in die Computertools integriert,<br />
die sich mit Weights of Evidence befassen.<br />
4 Abschließende Betrachtung<br />
An dieser Stelle werden einige Vor- und Nachteile der Weights of Evidence Methode<br />
angesprochen. Die prinzipiellen Vorteile sind: