Untitled - SCHUHFRIED GmbH
Untitled - SCHUHFRIED GmbH
Untitled - SCHUHFRIED GmbH
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Die Abbildung zeigt die Verteilung der personenspezifischen Wahrscheinlichkeit einer<br />
positiven Bewertung der erbrachten Fahrleistung entsprechend des Ergebnisses des<br />
Artifiziellen Neuronalen Netzes in der Jackknife-Validierung für die Gruppe der Personen mit<br />
tatsächlich positivem Gesamturteil (gelbe Balken) und für die Gruppe der Personen mit<br />
tatsächlich negativem Gesamturteil ihrer Fahrleistung (blaue Balken).<br />
Wenn nur Zuordnungen zur Gruppe der geeigneten Fahrer berücksichtigt werden, die mit<br />
einer Wahrscheinlichkeit von 0.70 getroffen werden, erhöht sich die<br />
Klassifikationsrate auf 91%.<br />
Prozent positive / negative Bewertung<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
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<br />
Wahrscheinlichkeit einer positiven Bew ertung der Fahrleistung<br />
positive Bew ertung negative Bew ertung<br />
Abbildung 5: Personenspezifische Zuordnungssicherheit der Klassifikation mit Hilfe des ANN - DRIVESTA<br />
Gültigkeit der Testverfahren – Neuronale Netzwerke: DRIVEPLS<br />
Die Architektur des neuronalen Netzes des Test-Sets DRIVEPLS entspricht jener des Test-<br />
Sets DRIVESTA. Mit Hilfe dieses Artifiziellen Neuronalen Netzwerks konnten 86% der<br />
Stichprobe richtig klassifiziert werden. Dies entspricht einem Validitätskoeffizienten von<br />
R=0.78 (adj. R 2 =0.50). Die Zufallsrate beträgt 60%. Die folgende Tabelle gibt einen Einblick<br />
in die Sensitivität und Spezifität der Klassifikationen des Artifiziellen Neuronalen Netzwerks.<br />
Tabelle 7: Sensitivität und Spezifität der Klassifikation mit dem ANN - DRIVEPLS<br />
Fahrprobe<br />
Vorhersage der Fahrprobenleistung<br />
negative Bewertung positive Bewertung<br />
negative Bewertung 62 (70%) 26 (30%)<br />
positive Bewertung 4 (3%) 130 (97%)<br />
Wie aus oben stehender Tabelle hervorgeht, können 70% der negativ beurteilten Personen<br />
und 97% der positiv beurteilten Personen korrekt klassifiziert werden.<br />
Um die Stabilität dieses Ergebnisses zu überprüfen, wird eine Jackknife-Validierung<br />
durchgeführt. Hierbei handelt es sich um eine weit verbreitete Methode zur Bestimmung der<br />
Stabilität bei Fehlen eines zweiten unabhängigen Datensatzes (Bishop, 1995; Michie,