Trainings- und Anwendungsphase
Hinweis: Die Daten sind fiktiv.Es wurden die folgenden Daten über 12 im Fernverkehr reisenden Personen erhoben.
| Person | geplante Reisezeit (min) | geplante kürzeste Umstiegszeit (min) | Klasse |
|---|---|---|---|
| A | 150 | 7 | pünktlich |
| B | 210 | 10 | unpünktlich |
| C | 300 | 3 | unpünktlich |
| D | 80 | 10 | pünktlich |
| E | 120 | 20 | pünktlich |
| F | 200 | 25 | pünktlich |
| G | 260 | 15 | unpünktlich |
| H | 300 | 30 | pünktlich |
| I | 40 | 3 | unpünktlich |
| J | 240 | 5 | unpünktlich |
| K | 180 | 16 | pünktlich |
| L | 280 | 12 | unpünktlich |
Aufgabe 1 - Trainings- und Anwendungsphase
- Trage die Daten in das Punktdiagramm oder die Geogebra Datei ein. Färbe die Punkte rot, falls die Person unpünktlich am Ziel angekommen ist, und grün, falls sie pünktlich angekommen ist. Die Daten von Person A wurden bereits eingetragen.
Hinweis: Wenn du rechts oben neben der Angabe des Punktes auf die drei untereinander stehenden Punkte klickst, kannst du unter Einstellungen/Farbe die Farbe des Punktes ändern. - Die folgenden Daten sind über Personen X, Y und Z bekannt.
Prognostiziere mit Hilfe der KNN-Klassifikation, ob die Personen pünktlich an ihrem Ziel ankommen werden.Person geplante Reisezeit (min) geplante kürzeste Umstiegszeit (min) Klasse X 140 5 Y 200 15 Z 280 20
Merke: Das Modell benötigt Daten, für die die Klassen bereits bekannt sind, um zu trainieren (Trainingsphase). Erst danach können neue Elemente klassifiziert werden (Anwendungsphase).
Aufgabe 2 - Einordnung maschinelle Lernmodelle
Ordne die K-Nächste-Nachbar-Klassifikation dem passenden maschinellen Lernmodell (überwachtes, unüberwachtes, bestärkendes Lernmodell) zu.
