Abweichungsmaße - Versionsgeschichte

Paul: Abweichungsmaße Link einfügen pb

2022-01-18T11:50:59Z

Abweichungsmaße Link einfügen pb

← Nächstältere Version		Version vom 18. Januar 2022, 13:50 Uhr
Zeile 2:		Zeile 2:
	Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.		Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.

	[[Datei:Fit_discounting.png]]		[[Datei:Fit_discounting.png\|link=Ausgelagerte_Bildbeschreibungen#Abweichungsmaße\|Ausgelagerte Bildbeschreibung von Abweichungsmaße]]

	Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].		Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].

Wehner am 21. Oktober 2018 um 11:50 Uhr

2018-10-21T11:50:55Z

← Nächstältere Version		Version vom 21. Oktober 2018, 13:50 Uhr
Zeile 6:		Zeile 6:
	Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].		Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].

	Die Entstehung der Fehleroberfläche aus diesen Abweichungsmaßen wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.		[[Datei:Simulationslink_neu2.PNG\|link=http://141.76.19.82:3838/mediawiki/Fitting/fitting/
			\|120px]] <span style="color: white"> kkk </span> Die Entstehung der Fehleroberfläche aus diesen Abweichungsmaßen wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.

Reichert am 9. Oktober 2018 um 11:15 Uhr

2018-10-09T11:15:46Z

← Nächstältere Version		Version vom 9. Oktober 2018, 13:15 Uhr
Zeile 5:		Zeile 5:

	Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].		Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].

			Die Entstehung der Fehleroberfläche aus diesen Abweichungsmaßen wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.

Wehner am 27. August 2018 um 12:34 Uhr

2018-08-27T12:34:21Z

← Nächstältere Version		Version vom 27. August 2018, 14:34 Uhr
Zeile 1:		Zeile 1:
	{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}		{{Nav\|Navigation\|Fitting & Parameter Estimation\|Kognitive Modellierung\|Hauptseite}}
	Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.		Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.

Reichert am 24. August 2018 um 19:23 Uhr

2018-08-24T19:23:47Z

← Nächstältere Version		Version vom 24. August 2018, 21:23 Uhr
Zeile 1:		Zeile 1:
	{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}		{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}
	~~= Abweichungsmaße =~~

	Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.		Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.

Reichert am 24. August 2018 um 14:39 Uhr

2018-08-24T14:39:00Z

← Nächstältere Version		Version vom 24. August 2018, 16:39 Uhr
Zeile 1:		Zeile 1:
	{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}		{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}
	~~Artikelinhalt~~		= Abweichungsmaße =

			Der Prozess des [[Fitting & Parameter Estimation\|Fittings]] versucht zu ermitteln, welches Modell mit welchen Parametern einen Datensatz am besten beschreibt, indem Modelle mit verschiedenen Parametern erstellt und mit den Daten verglichen werden. Doch wie kann diese Passung bestimmt werden? Die nachfolgende Abbildung zeigt Datenpunkte eines Discounting-Experiments und zwei mögliche Modelle zur Beschreibung dieser Daten. Die rote exponentielle Discounting-Kurve verläuft recht genau durch die ersten drei Punkte, während die blaue hyperbolische Discounting-Kurve die letzten beiden Punkte besser erfasst. Es ist demnach schwierig, mittels Augenmaß zu bestimmen, welches Modell das geeignetere ist. Stattdessen kann die Passung durch ein Abweichungsmaß quantifiziert werden.

			[[Datei:Fit_discounting.png]]

			Abweichungsmaße geben an, wie gut die Daten des Modells und der empirischen Erhebung übereinstimmen. Besonders gebräuchlich sind dabei die [[SSE\|Fehlerquadratsumme (Sum of Squared Errors)]] und die [[MLE\|maximale Plausibilität (Maximum Likelihood)]].

Wehner: Die Seite wurde neu angelegt: „{{Nav|Navigation|Kognitive Modellierung|Hauptseite}} Artikelinhalt“

2018-07-28T19:32:44Z

Die Seite wurde neu angelegt: „{{Nav|Navigation|Kognitive Modellierung|Hauptseite}} Artikelinhalt“

Neue Seite

{{Nav|Navigation|Kognitive Modellierung|Hauptseite}}
Artikelinhalt