Statistik ist unbestritten eines der wichtigsten Bestandteile und Grundlage für jegliche Machine Learning Anwendungen. Somit sind grundlegende Kenntnisse in verschiedensten Bereichen dieses Teilgebietes auch unumgänglich, wenn man die Algorithmen hinter Machine Learning genauer verstehen will.
Im Allgemeinen beschäftigen sich statistische Methoden damit, einen Zusammenhang zwischen verschiedenen Variablen und diese Rückschlüsse auch mathematisch ausdrücken zu können. Mit anderen Worten, es werden Ursache-Wirkung-Zusammenhänge (Kausalität) gesucht:
- Wie viel besser wird die Note in einer Prüfung, wenn man mehr lernt?
- Wie verändert sich das Wahlergebnis abhängig vom Wahlkampf, der betrieben wurde?
- Ist es sicherer mit dem Flugzeug zu fliegen oder mit der Bahn zu fahren?
Um solche Zusammenhänge genauer untersuchen zu können, umfasst die Datenanalyse auch Werkzeuge um große Datenmengen auswerten, darstellen und zusammenfassen zu können. Grafische Auswertungen, wie Balken-, Torten- oder Liniendiagramme gehören somit genauso ins statistische Repertoire, wie die Berechnung von Mittelwerten oder Medianen.
Einige unserer Beiträge im Bereich Statistik
Was ist Gibbs-Sampling?
Erforschen Sie Gibbs-Sampling: Lernen Sie die Anwendungen kennen und erfahren Sie, wie sie in der Datenanalyse eingesetzt werden.
Was ist ein Bias?
Auswirkungen und Maßnahmen zur Abschwächung eines Bias: Dieser Leitfaden hilft Ihnen, den Bias zu verstehen und zu erkennen.
Was ist die Varianz?
Die Rolle der Varianz in der Statistik und der Datenanalyse: Verstehen Sie, wie man die Streuung von Daten messen kann.
Was ist die KL Divergence (Kullback-Leibler Divergence)?
Erkunden Sie die Kullback-Leibler Divergence (KL Divergence), eine wichtige Metrik in der Informationstheorie und im maschinellen Lernen.
Was ist MLE: Maximum-Likelihood-Methode?
Verstehen Sie die Maximum-Likelihood-Methode (MLE), ein leistungsfähiges Werkzeug zur Parameterschätzung und Datenmodellierung.
Was ist der Varianzinflationsfaktor (VIF)?
Erfahren Sie, wie der Varianzinflationsfaktor (VIF) Multikollinearität in Regressionen erkennt, um eine bessere Datenanalyse zu ermöglichen.
Unterschied zwischen statistischen Methoden und Stochastik
Im alltäglichen Sprachgebrauch wird die Wahrscheinlichkeitsrechnung oft fälschlicherweise auch der Statistik zugeordnet, obwohl dies nicht stimmt. Die Statistik ist lediglich ein Teilgebiet der sogenannten Stochastik. Diese umfasst neben der Datenanalyse auch die Wahrscheinlichkeitsrechnung, also alle Berechnungen rund um Zufallsexperimente, wie Münze werfen, Würfeln oder Wetten.
Dies ist deswegen wichtig, da statistische Methoden keine Wahrscheinlichkeitsberechnungen enthalten, auch wenn dies manchmal fälschlicherweise behauptet wird. Im Großen und Ganzen sind statistische Berechnungen für Machine Learning Algorithmen deutlich wichtiger und bilden eine der bedeutendsten Grundlagen für ML. Wahrscheinlichkeiten werden innerhalb der Künstlichen Intelligenz lediglich bei der Ausgabe von Ergebnissen genutzt. Ein Machine Learning Algorithmus wird nie eine Vorhersage mit vollständiger Sicherheit treffen können. Stattdessen werden die Ergebnisse mit Wahrscheinlichkeiten ausgegeben, um auszudrücken, wie sicher sich der Algorithmus bei dem Ergebnis ist. Eine Wahrscheinlichkeit von 99,5% bedeutet also, dass sich das Modell sehr sicher ist, dass seine Vorhersage auch zutreffen wird.
Zusammenfassung
Statistische Methoden sind eine der wichtigsten Grundlagen, um Modelle im Bereich des Machine Learnings verstehen und richtig anwenden zu können. Die Beiträge in diesem Kapitel zielen darauf ab, die Methoden zu erklären, die für grundlegendes Machine Learning unverzichtbar sind.