Refine
Document Type
- Working Paper (2)
Language
- English (1)
- Multiple languages (1)
Has Fulltext
- no (2)
Is part of the Bibliography
- no (2)
Keywords
Institute
Heutzutage kombiniert diagnostisches Schließen allgemeines und spezialisiertes Wissen, Elemente der Mathematik, eine gewisse Leichtigkeit mit den Grundlagen der Wahrscheinlichkeitstheorie und nicht zuletzt die Leichtigkeit im Umgang mit KI-Tools. Wir stellen Verfahren und Werkzeuge zur Erstellung von Bäumen vor, die zu verständlichen, transparenten, einfachen und robusten Klassifikationen und Entscheidungen führen. Diese Werkzeuge sind heuristischer als optimale Modelle, inspiriert von der Perspektive der begrenzten Rationalität. Wir beschreiben, wie die Grundsätze der begrenzten Rationalität einen Rahmen für die Mensch-Maschine-Interaktion bieten, der sich dieser Artikel widmet. Wir behaupten, dass unsere vorgeschlagenen Tools aufgrund dieser Rationalität eine maschinengestützte Entscheidungsfindung erleichtern, die reibungslos, transparent und erfolgreich ist.
This volume is largely about nontraditional data; this paper is about a nontraditional visualization: classification trees. Using trees with data will be new to many students, so rather than beginning with a computer algorithm that produces optimal trees, we suggest that students first construct their own trees, one node at a time, to explore how they work, and how well. This build-it-yourself process is more transparent than using algorithms such as CART; we believe it will help students not only understand the fundamentals of trees, but also better understand tree-building algorithms when they do encounter them. And because classification is an important task in machine learning, a good foundation in trees can prepare students to better understand that emerging and important field. We also describe a free online tool—Arbor—that students can use to do this, and note some implications for instruction.