4.3.2 Vergleich subjektiver und automatisierter Merkmalsextraktion sowie Einsatz maschineller Lernalgorithmen zur mikromagnetischen Materialcharakterisierung
- Event
- 20. GMA/ITG-Fachtagung Sensoren und Messsysteme 2019
2019-06-25 - 2019-06-26
Nürnberg, Germany - Chapter
- 4.3 Machine Learning und Signalverarbeitung
- Author(s)
- S. Youssef, C. Zimmer, K. Szielasko, Z. Suri - Fraunhofer Institut für Zerstörungsfreie Prüfverfahren IZFP, Saarbrücken (Deutschland), A. Schütze - Universität des Saarlandes, Saarbrücken (Deutschland)
- Pages
- 347 - 354
- DOI
- 10.5162/sensoren2019/4.3.2
- ISBN
- 978-3-9819376-0-2
- Price
- free
Abstract
Im Rahmen dieses Beitrags wurde untersucht, mit welchen Möglichkeiten die datenbasierte Vorhersagequalität verbessert werden kann. Neben der Optimierung des Merkmalsraums wurde die multiple lineare Regression (ML-R) mit weiteren Regressionsalgorithmen (Support Vector Regression, Multilayer Perceptron Regression) verglichen. Diese Regressoren bieten aufgrund ihrer Mächtigkeit und Flexibilität, Nichtlinearitäten in den Daten abzubilden, enormes Potenzial zur Erstellung komplexer Modelle. Beide besitzen jedoch „Stellschrauben“ (sog. Hyperparameter) die signifikant zur Vorhersagequalität beitragen und aufgrund der Vielzahl möglicher Kombinationen kann das Finden einer (quasi-) optimalen Lösung sehr aufwendig sein. Zur Verdeutlichung dieses Aufwandes wurden im Experiment alle Hyperparameter bis auf einen je Regressor vorgegeben. Dieser diente als Stellgröße und sollte aufzeigen, welcher Aufwand schon bei der Variation einzelner Hyperparametern zum Finden eines (quasi-) optimalen Modells erforderlich sind.