Active Learning mit dem GUIDE-Entscheidungsbaum

Industrielle Auslegungsversuche sind mit hohem Ressourcenaufwand verbunden, weshalb eine auf maschinellem Lernen (ML) basierende Unterstützung für die Auslegung von Maschinen oder Prozessen anzustreben ist. Diese gilt es auf Basis von wenigen historischen Daten zu entwickeln. Entscheidungsbäume mit dem GUIDE-Algorithmus sind für das Training mit geringen Datenmengen geeignet. Durch den Query- By-Commitee Ansatz des Active Learnings können zudem informative Datenpunkte identifiziert werden, mit denen eine bessere Modellperformance erreicht wird. Des Weiteren sind Bereiche, in denen das Modell unsichere Prognosen liefert, mithilfe des Query-By-Commitee Ansatzes quantifizierbar. Im Vergleich zu einer zufälligen Auswahl von zusätzlichen Trainingsdatenpunkten, weist der Active Learning Ansatz ein höheres Genauigkeitspotential auf. Die Prädiktionen von einem Ensemble aus Entscheidungsbäumen und einem einzelnen Entscheidungsbaum weichen nur gering voneinander ab, was relevant ist, da die Datenpunkte im Active Learning durch Ensembles ausgewählt werden, aber ein Einzelmodell aufgrund der Interpretierbarkeit als späteres Unterstützungstool verwendet wird.