Please enable JavaScript.

Coggle requires JavaScript to display documents.

ML (Optimierung, Classification of Features / Variables / Attributes,…

- - - - x sind Lösungsansätze, Rückgabewert ist der Fehler, davon suchen wir den Ansatz mit dem geringsten Fehler
  - - - Daraus neue Lossfunktion abhängig der Gewichtung
      - Pareto Fronts
        
        Am Rande der Linien ist das Optima der Kombination von f1 und f2
        
        Es gibt kein Besseres f1 bei gleichem f2
        
        f1 kann besser werden, wenn f2 schlechter wird
  - - - Vehicle Routing
        
        Punkte können von mehreren Teilnehmern gefahren werden
      - Mögliche Lösungen steigen sehr schnell mit der Anzahl der Punkte { (Punkte-1) ! / 2 }
    - - Nehme max. X mit, jedes x hat y und ich Limit Y
    - - bestimmte Lsg können per Definition nicht die beste sein
      - Lösungen die im laufe schon schlechter sind als bereits gefundene müssen nicht weiter untersucht werden
  - - - start with random solution
      - try to improve that solution
      - Bleibe im Lokalen minima stehen
        
        Tabu Search ist Erweiterung, erlaubt stückweise Verschlechterung
    - - Follow the gradient of the function
    - - Eltern sind vorhherige gute lösungen. Über kombination zweier können neue gute lsg generiert werden. Kann ich immer anwenden wenn ich permutationen besitze
- - - - Was ist die Antwort vom Input? yi = f(x) * xi
    - - Genereller zusammenhang f: X -> Y
      - Vom Einzelfall auf das Allgemeine schließen
      - Mathematische Modellbildung für Gruppen. Lsg anhand des Modells bestimmen