Untitled - SCHUHFRIED GmbH

Die Abbildung zeigt die Verteilung der personenspezifischen Wahrscheinlichkeit einer
positiven Bewertung der erbrachten Fahrleistung entsprechend des Ergebnisses des
Artifiziellen Neuronalen Netzes in der Jackknife-Validierung für die Gruppe der Personen mit
tatsächlich positivem Gesamturteil (gelbe Balken) und für die Gruppe der Personen mit
tatsächlich negativem Gesamturteil ihrer Fahrleistung (blaue Balken).
Wenn nur Zuordnungen zur Gruppe der geeigneten Fahrer berücksichtigt werden, die mit
einer Wahrscheinlichkeit von 0.70 getroffen werden, erhöht sich die
Klassifikationsrate auf 91%.
Prozent positive / negative Bewertung
70
60
50
40
30
20
10
0
0.00 - 0.10 0.11 - 0.20 0.21 - 0.30 0.31 - 0.40 0.41 - 0.50 0.51 - 0.60 0.61 - 0.70 0.71 - 0.80 0.81 - 0.90 0.91 - 1.00
Wahrscheinlichkeit einer positiven Bew ertung der Fahrleistung
positive Bew ertung negative Bew ertung
Abbildung 5: Personenspezifische Zuordnungssicherheit der Klassifikation mit Hilfe des ANN - DRIVESTA
Gültigkeit der Testverfahren – Neuronale Netzwerke: DRIVEPLS
Die Architektur des neuronalen Netzes des Test-Sets DRIVEPLS entspricht jener des Test-
Sets DRIVESTA. Mit Hilfe dieses Artifiziellen Neuronalen Netzwerks konnten 86% der
Stichprobe richtig klassifiziert werden. Dies entspricht einem Validitätskoeffizienten von
R=0.78 (adj. R 2 =0.50). Die Zufallsrate beträgt 60%. Die folgende Tabelle gibt einen Einblick
in die Sensitivität und Spezifität der Klassifikationen des Artifiziellen Neuronalen Netzwerks.
Tabelle 7: Sensitivität und Spezifität der Klassifikation mit dem ANN - DRIVEPLS
Fahrprobe
Vorhersage der Fahrprobenleistung
negative Bewertung positive Bewertung
negative Bewertung 62 (70%) 26 (30%)
positive Bewertung 4 (3%) 130 (97%)
Wie aus oben stehender Tabelle hervorgeht, können 70% der negativ beurteilten Personen
und 97% der positiv beurteilten Personen korrekt klassifiziert werden.
Um die Stabilität dieses Ergebnisses zu überprüfen, wird eine Jackknife-Validierung
durchgeführt. Hierbei handelt es sich um eine weit verbreitete Methode zur Bestimmung der
Stabilität bei Fehlen eines zweiten unabhängigen Datensatzes (Bishop, 1995; Michie,