Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

8 Evaluation
F 1
1
0.8
0.6
0.4
0.2
0.52
0.5
0.48
0.46
0.44
threshold1 0.42
0.4
0.38
0.36
0.36
0.38 0.4 0.42 0.44 0.46 0.48 0.5 0.52 0.54
threshold 2
Abbildung 8.8: Exemplarische F1-Fläche bei der multialgorithmischen Fusion zweier Systeme
auf der Entscheidungsebene mittels Mengenvereinigung
Precision-Recall-Kurve wie in Abbildung 8.2 zu bestimmen. Folglich lässt sich der Wert AUC
für eines solchermaßen fusionierten Gesamtsystems nicht ermitteln.
Die multialgorithmische Fusion auf der Vergleichsebene wurde analog zum Vorgehen bei
der Multi-Sample-Fusion auf derselben Ebene durchgeführt. Hier wie dort wurde die Fusion
mittels der Minimum- und Maximumfunktion sowie der Durchschnittbildung realisiert. Anders
als bei der Multi-Sample-Fusion ist jedoch bei der multialgorithmischen Fusion eine Normalisierung
der Ähnlichkeitswerte nötig, da die optimalen Ähnlichkeitswerte für unterschiedliche
Merkmalstypen und Parametrisierungen variieren können. Hierzu wurden die Elemente von
n zu fusionierenden Ähnlichkeitsvektoren S 0 bis S n−1 (siehe Gleichung 6.18) wie folgt ange-
passt:
´S i j =
� S i j · 1 /µi falls S i j · 1 /µi
1 sonst
µi = 1
|Si | ·
|Si |
∑ S
j=1
i j
mit 0 ≤ i < n, 1 ≤ j ≤ |S i | (8.18)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
(8.19)
Hierbei ist µi also das arithmetische Mittel der Elemente Si 1 ,Si 2 ,Si 3 ,... eines Ähnlichkeitsvektors
Si . Für die Fusion werden die solchermaßen definierten Vektoren ´S 0 bis ´S n−1 verwendet.
112