Aufgaben - Fitting & Modellvergleich: Unterschied zwischen den Versionen

Aus eLearning - Methoden der Psychologie - TU Dresden
Zur Navigation springen Zur Suche springen
Keine Bearbeitungszusammenfassung
Keine Bearbeitungszusammenfassung
Zeile 9: Zeile 9:
<quiz shuffleanswers=true>
<quiz shuffleanswers=true>


{QuestionA
{Welche Vorteile bringt die Log-Likelihood-Methode mit sich?
|type="[]"}
|type="[]"}
+ Correct answer.
+ Der Rechenaufwand verringert sich durch die Vermeidung von Multiplikation.
- Incorrect answer.
+ Sehr kleine Werte des Fehlermaßes werden vermieden.
+ Correct answer.
- Die Passung des Modells zu den Daten wird auf Werte zwischen 0 und 1 normiert.
- Incorrect answer.
- Das Fehlermaß wird besser interpretierbar.


{QuestionB
{Im Rahmen eines quantitativen Modellvergleichs werden häufig Vergleichsmaße berechnet. Welche Aussagen über Vergleichsmaße sind wahr?
|type="[]"}
|type="[]"}
+ Correct answer.
+ Zwei Modelle, welche gleich gut in der Lage sind, vorliegende empirische Daten zu beschreiben, können in Abhängigkeit ihrer Komplexität unterschiedliche Vergleichsmaßwerte besitzen. Je komplexer das Modell ist, desto höher sind diese Werte.
- Incorrect answer.
- Vergleichsmaße berücksichtigen neben der Vorhersagefähigkeit des Modells die Komplexität der verwendeten Berechnungsvorschrift.
+ Correct answer.
- Zwei Modelle, welche gleich gut in der Lage sind, vorliegende empirische Daten zu beschreiben, können in Abhängigkeit ihrer Komplexität unterschiedliche Vergleichsmaßwerte besitzen. Je weniger komplex das Modell ist, desto höher sind diese Werte.
- Incorrect answer.
+ Vergleichsmaße berücksichtigen neben der Vorhersagefähigkeit des Modells die Anzahl der verwendeten Parameter.


{QuestionB
{Welche Voraussetzungen müssen für die Anwendung der Maximum-Likelihood-Methode erfüllt sein?
|type="[]"}
|type="[]"}
+ Correct answer.
- Die Datenpunkte müssen statistisch voneinander abhängig sein.
- Incorrect answer.
- Die Daten müssen eine geringe Streuung haben.
+ Correct answer.
+ Die Stichprobe muss möglichst groß sein.
- Incorrect answer.
+ Die Verteilung der Daten muss bekannt sein.


{QuestionB
{Welche Folgen können aus der Verwendung unterschiedlich großer Parameteranzahlen beim Prozess des Fittings resultieren?
|type="[]"}
|type="[]"}
+ Correct answer.
+ viele freie Parameter führen zu „Overfitting“
- Incorrect answer.
- eine hohe Parameteranzahl kann dazu führen, dass das Modell nur unzureichend zur Beschreibung der vorliegenden Daten geeignet ist
+ Correct answer.
- eine zu geringe Parameteranzahl führt zu „Underfitting“
- Incorrect answer.
+ eine hohe Parameteranzahl kann dazu führen, dass das Modell nur schlecht zur korrekten Vorhersage neuer Daten in der Lage ist


{QuestionB
{Welche Aussagen über den Einsatz von quantitativen und qualitativen Modellvergleichen treffen zu?
|type="[]"}
|type="[]"}
+ Correct answer.
- Ein qualitativer Modellvergleich ermittelt den Fit zwischen den empirisch erhobenen und den basierend auf dem Modell simulierten Daten zur Bestimmung der Vorhersagegüte des Modells.
- Incorrect answer.
+ Ein qualitativer Modellvergleich sollte eingesetzt werden, wenn es sich beim Untersuchungsgegenstand um ein sehr komplexes Phänomen handelt.
+ Correct answer.
+ Ein qualitativer Modellvergleich untersucht die Übereinstimmung der Datenmuster zwischen empirischen und simulierten Daten.
- Incorrect answer.
- Ein quantitativer Modellvergleich sollte eingesetzt werden, wenn stärkeres Interesse am relativen Verhältnis der empirischen und simulierten Daten besteht.


{QuestionB
{Welche Methoden werden bei der Durchführung eines qualitativen Modellvergleichs angewandt?
|type="[]"}
|type="[]"}
+ Correct answer.
- Untersuchung der Übereinstimmung des Modells mit bestehenden Theorien
- Incorrect answer.
+ „Measure of Surprise Methode“
+ Correct answer.
+ Untersuchung der Übereinstimmung von Datenmustern
- Incorrect answer.
- Untersuchung des Fits zwischen empirisch erhobenen und simulierten Daten


{QuestionB
{Welche Probleme hat das Simulated Annealing?
|type="[]"}
|type="[]"}
+ Correct answer.
+ Optima, die weit weg vom Startpunkt liegen, können übersehen werden.
- Incorrect answer.
- Lokale Minima können nicht verlassen werden.
+ Correct answer.
- Es müssen viele Punkte der Fehlerfunktion gleichzeitig evaluiert werden.
- Incorrect answer.
+ Ein gefundenes Optimum kann im Verlauf wieder verloren gehen.


{QuestionB
{Wie wird im Simplexverfahren nach Nelder und Mead vorgegangen, wenn der reflektierte Punkt besser ist als das bisherige Minimum?
|type="[]"}
|type="[]"}
+ Correct answer.
Der kontrahierte Punkt wird berechnet.
- Incorrect answer.
Der reflektierte Punkt ersetzt direkt das bisherige Minimum.
+ Correct answer.
Der expandierte Punkt wird berechnet.
- Incorrect answer.
Der Simplex wird komprimiert.
??


{QuestionB
{
|type="[]"}
|type="[]"}
+ Correct answer.
- Incorrect answer.
+ Correct answer.
- Incorrect answer.


{QuestionB
 
|type="[]"}
 
+ Correct answer.
mle 1, 2
- Incorrect answer.
Modellvergleich 2, 5, 9
+ Correct answer.
Objective Functions 1
- Incorrect answer.
simulated Annealing 2
Simplex 1


</quiz>
</quiz>

Version vom 21. November 2019, 00:49 Uhr

Der folgenden Bereich enthält Fragen zum Prozess des Fittings und dem Vergleich von Modellen. Alle Fragen sind Multiple Choice Fragen, d.h. es können immer mehrere Antworten richtig sein. Klicken Sie zur Beantwortung einer Frage die korrekten Antwortmöglichkeiten an. Um Ihre Ergebnisse auszuwerten, wählen Sie bitte den Button "Speichern" am unteren Ende der Seite.

Für jede vollständig richtig beantwortete Frage erhalten Sie einen Punkt. Für falsche beantwortete Fragen werden Ihnen keine Punkte abgezogen. Sie können diese Einstellung jedoch beliebig verändern. Ihre Gesamtpunktzahl finden Sie am unteren Seitenende.


  

1 Welche Vorteile bringt die Log-Likelihood-Methode mit sich?

Die Passung des Modells zu den Daten wird auf Werte zwischen 0 und 1 normiert.
Der Rechenaufwand verringert sich durch die Vermeidung von Multiplikation.
Sehr kleine Werte des Fehlermaßes werden vermieden.
Das Fehlermaß wird besser interpretierbar.

2 Im Rahmen eines quantitativen Modellvergleichs werden häufig Vergleichsmaße berechnet. Welche Aussagen über Vergleichsmaße sind wahr?

Zwei Modelle, welche gleich gut in der Lage sind, vorliegende empirische Daten zu beschreiben, können in Abhängigkeit ihrer Komplexität unterschiedliche Vergleichsmaßwerte besitzen. Je weniger komplex das Modell ist, desto höher sind diese Werte.
Vergleichsmaße berücksichtigen neben der Vorhersagefähigkeit des Modells die Anzahl der verwendeten Parameter.
Zwei Modelle, welche gleich gut in der Lage sind, vorliegende empirische Daten zu beschreiben, können in Abhängigkeit ihrer Komplexität unterschiedliche Vergleichsmaßwerte besitzen. Je komplexer das Modell ist, desto höher sind diese Werte.
Vergleichsmaße berücksichtigen neben der Vorhersagefähigkeit des Modells die Komplexität der verwendeten Berechnungsvorschrift.

3 Welche Voraussetzungen müssen für die Anwendung der Maximum-Likelihood-Methode erfüllt sein?

Die Verteilung der Daten muss bekannt sein.
Die Datenpunkte müssen statistisch voneinander abhängig sein.
Die Daten müssen eine geringe Streuung haben.
Die Stichprobe muss möglichst groß sein.

4 Welche Folgen können aus der Verwendung unterschiedlich großer Parameteranzahlen beim Prozess des Fittings resultieren?

eine hohe Parameteranzahl kann dazu führen, dass das Modell nur unzureichend zur Beschreibung der vorliegenden Daten geeignet ist
eine hohe Parameteranzahl kann dazu führen, dass das Modell nur schlecht zur korrekten Vorhersage neuer Daten in der Lage ist
eine zu geringe Parameteranzahl führt zu „Underfitting“
viele freie Parameter führen zu „Overfitting“

5 Welche Aussagen über den Einsatz von quantitativen und qualitativen Modellvergleichen treffen zu?

Ein qualitativer Modellvergleich sollte eingesetzt werden, wenn es sich beim Untersuchungsgegenstand um ein sehr komplexes Phänomen handelt.
Ein qualitativer Modellvergleich ermittelt den Fit zwischen den empirisch erhobenen und den basierend auf dem Modell simulierten Daten zur Bestimmung der Vorhersagegüte des Modells.
Ein qualitativer Modellvergleich untersucht die Übereinstimmung der Datenmuster zwischen empirischen und simulierten Daten.
Ein quantitativer Modellvergleich sollte eingesetzt werden, wenn stärkeres Interesse am relativen Verhältnis der empirischen und simulierten Daten besteht.

6 Welche Methoden werden bei der Durchführung eines qualitativen Modellvergleichs angewandt?

„Measure of Surprise Methode“
Untersuchung des Fits zwischen empirisch erhobenen und simulierten Daten
Untersuchung der Übereinstimmung von Datenmustern
Untersuchung der Übereinstimmung des Modells mit bestehenden Theorien

7 Welche Probleme hat das Simulated Annealing?

Optima, die weit weg vom Startpunkt liegen, können übersehen werden.
Lokale Minima können nicht verlassen werden.
Ein gefundenes Optimum kann im Verlauf wieder verloren gehen.
Es müssen viele Punkte der Fehlerfunktion gleichzeitig evaluiert werden.

8 Wie wird im Simplexverfahren nach Nelder und Mead vorgegangen, wenn der reflektierte Punkt besser ist als das bisherige Minimum?

9