Zitat-Index — Zulassungsarbeit
Kompakte Arbeitstabelle. Chronologische Liste aller \beleg{...} (offene Belegstellen) und \cite{...} (festgelegte Zitate) im Manuskript, in Reihenfolge des Fließtextes. Detail-Kette: hier → zitat-kontexte (Verifikations-Log, gleiche Sortierung) → [[<quelle>-zusammenfassung]] (Detail pro Quelle).
Legende
\beleg — Belegstelle noch offen: Quellkapitel angegeben, exakte Seite + M-Marker werden während der Lernphase vergeben\cite — Belegstelle festgelegt: Seite/M-Marker im Manuskript; Detail-Ablage (Originalwortlaut, Übersetzung, Begründung) in zitat-kontexte und Zusammenfassung
Manuskript-Aussagen sind kompakt zusammengefasst; die eigentliche Formulierung steht im Fließtext.
Stand: 2026-08-17 — sechs Sach-Quellen (BFOS84, Bre96a, Bre96b, Bre01, CBHK02, PNRB15). Alle 78 Cites verifiziert; kein \beleg mehr im Manuskript. Letzte Nachträge: 4 fehlende PNRB15-Sammel-Marker (S. 144 M1 age normalisation, S. 144 M2 Balancierung, S. 145 M2 CPR/CUR/ECUR, S. 146 M1 6+1 Feature-Sets) im Zuge des Multi-Reviewer-Reviews.
Kap. 2 — Grundlagen
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 2.2 Z. 67 \cite\cite[S.~28\,f.]{BFOS84}Beschränkung auf binäre Split-Form in CART und darauf aufbauenden Ensembleverfahren zitat-kontexte 2.4 Z. 305 \cite\cite{BFOS84}Bibliografische Nennung Breiman et al. 1984 (CART) im Zeitstrahl zitat-kontexte 2.4 Z. 311 \cite\cite{Bre96b}Bibliografische Nennung Breiman 1996 (Heuristics of Instability) im Zeitstrahl zitat-kontexte 2.4 Z. 318 \cite\cite{Bre96a}Bibliografische Nennung Breiman 1996 (Bagging Predictors) im Zeitstrahl zitat-kontexte 2.4 Z. 323 \cite\cite{Bre01}Bibliografische Nennung Breiman 2001 (Random Forests) im Zeitstrahl zitat-kontexte 2.4 Z. 330 \cite\cite{CBHK02}Bibliografische Nennung Chawla et al. 2002 (SMOTE) im Zeitstrahl zitat-kontexte 2.4 Z. 337 \cite\cite{PNRB15}Bibliografische Nennung Prytz et al. 2015 (Fallstudie) im Zeitstrahl zitat-kontexte
Kap. 3 — Funktionsprinzipien
3.1 Rekursive Partitionierung
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 3.1 Z. 23 \cite\cite[S.~23]{BFOS84}Reinheits-Zunahme als Ziel jeder Zerlegung (Split-Auswahl-Prinzip) zitat-kontexte 3.1 Z. 28 \cite\cite[S.~26, M2]{BFOS84}CART-Klassifikations-Blattmarkierung durch die Plurality Rule (häufigste Klasse) zitat-kontexte 3.1 Z. 30 \cite\cite[S.~228]{BFOS84}Blattvorhersage bei Regression ist konstant zitat-kontexte 3.1 Z. 34 \cite\cite[S.~30]{BFOS84}Rechtecke-Kachelung des Merkmalsraums (rekursive Partitionierung) zitat-kontexte
3.2 Impuritätsbasierter Split-Rahmen
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 3.2 Z. 110 \cite\cite[S.~25]{BFOS84}Definition der Impuritätsabnahme Δ i ( s , t ) = i ( t ) − p L i ( t L ) − p R i ( t R ) zitat-kontexte 3.2 Z. 117 \cite\cite[S.~26, M1]{BFOS84}Auswahlregel bester Split (Maximierung der Impuritätsabnahme) zitat-kontexte
3.3 Regressionsbäume
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 3.3 Z. 137 \cite\cite[S.~228]{BFOS84}Blattvorhersage in Regressionsbäumen ist konstant zitat-kontexte 3.3 Z. 144 \cite\cite[S.~222]{BFOS84}Mittlerer quadratischer Fehler als klassisches Fehlermaß der Regression zitat-kontexte 3.3 Z. 146 \cite\cite[S.~230]{BFOS84}Mittelwert als Blattvorhersage in Regressionsbäumen zitat-kontexte 3.3 Z. 157 \cite\cite[S.~231]{BFOS84}Def. 8.13: Δ R ( s , t ) zitat-kontexte
3.4 Split-Kriterium Gini-Index
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 3.4 Z. 184 \cite\cite[S.~103, M1]{BFOS84}Gini-Index als Split-Kriterium in CART übernommen zitat-kontexte 3.4 Z. 197 \cite\cite[S.~103\,f., M3]{BFOS84}Gini-Index in ursprünglicher Doppelsummen-Form ∑ i = j p ( i ∥ t ) p ( j ∥ t ) zitat-kontexte 3.4 Z. 211 \cite\cite[S.~104, M1]{BFOS84}Äquivalente kompakte Darstellung 1 − ∑ j p 2 ( j ∥ t ) zitat-kontexte 3.4 Z. 217 \cite\cite[S.~103, M2]{BFOS84}Zwei-Klassen-Fall i ( t ) = 2 p ( 1∥ t ) p ( 2∥ t ) zitat-kontexte 3.4 Z. 270 \cite\cite[S.~104\,f., M2]{BFOS84}Twoing-Kriterium als zweites Split-Maß für Mehrklassenprobleme zitat-kontexte
3.5 Überanpassung und Pruning
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 3.5 Z. 286 \cite\cite[S.~60]{BFOS84}Vollständig ausgewachsener Baum überschätzt eigene Vorhersagegüte (Trainingsrauschen mitgelernt) zitat-kontexte 3.5 Z. 288 \cite\cite[S.~61, M1]{BFOS84}Empirische Beobachtung: gestutzte Bäume durchlaufen sinnvolle Baumgrößen (Waveform-Daten) zitat-kontexte 3.5 Z. 293 \cite\cite[S.~61, M2]{BFOS84}Früher Split-Abbruch verwirft potenziell gute Splits (Argument gegen Pre-Pruning-Kombination) zitat-kontexte 3.5 Z. 299 \cite\cite[S.~62, M1]{BFOS84}Prune-instead-of-stopping: Baum voll wachsen lassen, dann zurückschneiden zitat-kontexte 3.5 Z. 306 \cite\cite[S.~63]{BFOS84}N m i n zitat-kontexte 3.5 Z. 291 \cite\cite[S.~62, M2]{BFOS84}Zwei Methoden zur ehrlichen Fehlerschätzung: unabh. Testdatensatz vs. Kreuzvalidierung nach Stichprobengröße zitat-kontexte 3.5 Z. 297 \cite\cite[S.~62, M3]{BFOS84}Empirischer Rückschnitt-Effekt: Kombination Rückschnitt + ehrliche Fehlerschätzung produziert Bäume nahe optimaler Größe zitat-kontexte
Kap. 4 — Ensembleverfahren
4.1 Instabilität einzelner Bäume
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 4.1 Z. 13 \cite\cite[S.~2354]{Bre96b} \cite[S.~2374]{Bre96b}Heuristische Definition Instabilität (S. 2354) + namentliche CART-Zuordnung (S. 2374: „no known stable versions of CART, MARS or neural networks”) zitat-kontexte 4.1 Z. 29 \cite\cite[S.~2355]{Bre96b}Stabilisierungsprinzip: Perturbation + Averaging → stabilere Predictor-Folge mit geringerem Vorhersagefehler zitat-kontexte 4.1 Z. 33 \cite\cite[S.~2374]{Bre96b}Concluding Remarks: Stabilisierung von CART führt zu deutlichen Genauigkeitsverbesserungen; Verweis auf Bre96a (Bagging) zitat-kontexte
4.2 Bagging
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 4.2 Z. 49 \cite\cite[S.~123]{Bre96a}Bagging-Definition: Bootstrap-Sampling + Aggregation (Voting bei Klassifikation, Mittelwert bei Regression), Namensgebung „bootstrap aggregating” zitat-kontexte 4.2 Z. 57 \cite\cite[S.~124]{Bre96a}Empirie: Fehlerreduktionen 6–77 % (Klassifikation) und 21–46 % (Regression) zitat-kontexte 4.2 Z. 62 \cite\cite[S.~124]{Bre96a} \cite[S.~131]{Bre96a}Voraussetzung Instabilität: Bagging hilft bei instabilen Verfahren (S. 124) und schadet bei stabilen (S. 131: „Bagging stable classifiers is not a good idea”) zitat-kontexte 4.2 Z. 66 \cite\cite[S.~137]{Bre96a}Trade-off: einfache und interpretierbare Baumstruktur verloren, höhere Vorhersagegenauigkeit gewonnen zitat-kontexte
4.3 Random Forests
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 4.3 Z. 115 \cite\cite[S.~6]{Bre01}Random-Forest-Definition: Voting + Namensgebung, formaler Oberbegriff (iid Zufallsvektoren Θ k zitat-kontexte 4.3 Z. 118 \cite\cite[S.~10]{Bre01}Zusatz-Zufälligkeit minimiert Korrelation bei Erhalt der Baumstärke (Prinzip der zufälligen Merkmalseinschränkung) zitat-kontexte 4.3 Z. 119 \cite\cite[S.~11, M3]{Bre01}Forest-RI-Definition: Teilmenge fester Größe F zitat-kontexte 4.3 Z. 123 \cite\cite[S.~11, M1]{Bre01}Random-Forest-Bäume werden nicht gestutzt zitat-kontexte 4.3 Z. 128 \cite\cite[S.~10]{Bre01}Ensemblefehler hängt von Baumstärke und paarweiser Korrelation ab; Dekorrelation senkt Fehler auch bei schwächeren Einzelbäumen zitat-kontexte 4.3 Z. 167 \cite\cite[S.~11, M2]{Bre01}Ungefähr ein Drittel der Trainingsdatenpunkte fehlt in jeder Bootstrap-Stichprobe zitat-kontexte 4.3 Z. 172 \cite\cite[S.~11, M1]{Bre01}OOB-Kernpassage: Aggregation nur über Bäume, in deren Bootstrap-Stichprobe der Datenpunkt fehlt; Fehlerrate = OOB-Schätzung zitat-kontexte 4.3 Z. 175 \cite\cite[S.~11, M2]{Bre01}OOB-Fehlerschätzung ist im Unterschied zur Kreuzvalidierung erwartungstreu zitat-kontexte
4.4 Datenvorverarbeitung mit SMOTE
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 4.4 Z. 191 \cite\cite[S.~328, M1]{CBHK02}SMOTE-Grundidee: Over-Sampling durch synthetische Beispiele zitat-kontexte 4.4 Z. 196 \cite\cite[S.~328, M2]{CBHK02}Algorithmus: k k = 5 r ∈ [ 0 , 1 ] zitat-kontexte 4.4 Z. 199 \cite\cite[S.~331]{CBHK02}Kombination mit Undersampling der Mehrheitsklasse (Section 4.3 „Under-sampling and SMOTE Combination”) zitat-kontexte 4.4 Z. 201 \cite\cite[S.~352]{CBHK02}Empirie: Kombination SMOTE + Undersampling übertrifft reines Undersampling zitat-kontexte
Kap. 5 — Anwendung: Predictive Maintenance mit Random Forests
5.0 Kapiteleinleitung
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 5.0 Z. 8 \cite\cite[Kap.~6, S.~174]{BFOS84}CART widmet medizinischen Diagnose- und Prognoseaufgaben ein eigenes Kapitel (Kap. 6) zitat-kontexte 5.0 Z. 8 \cite\cite[Kap.~7, S.~203]{BFOS84}CART behandelt die Analyse von Massenspektren in eigenem Kapitel (Kap. 7) zitat-kontexte 5.0 Z. 11 \cite\cite[S.~12, Tab.~1]{Bre01}Random-Forest-Evaluation Breimans über Datensätze aus Medizin, Signal, Ökonomie (Tab. 1 Data set summary) zitat-kontexte
5.1 Kontext und Datenlage
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 5.1 Z. 31 \cite\cite[S.~142, M4]{PNRB15}Fixkosten einer ungeplanten Standzeit eines Langstrecken-LKW: rund 1000 EUR/Tag zitat-kontexte 5.1 Z. 38 \cite\cite[S.~139\,f., M1]{PNRB15}Zwei Datenquellen (LVD Bordrechner + VSR Werkstattprotokolle); Namensnennung LVD/VSR in Fortsetzung auf S. 140 zitat-kontexte 5.1 Z. 48 \cite\cite[S.~139\,f., M2]{PNRB15}Datenherausforderungen: Klassenungleichgewicht, verrauschte Labels, unklare Datumsangaben, Ausfallursachen-Zusammenfassung zitat-kontexte
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 5.2 Z. 61 \cite\cite[S.~142, M1]{PNRB15}Reduktion zur binären Klassifikationsaufgabe + verbale Zielgröße zitat-kontexte 5.2 Z. 64 \cite\cite[S.~143, M2]{PNRB15}Vorhersagehorizont Δ = 15 zitat-kontexte 5.2 Z. 71 \cite\cite[S.~142, M2]{PNRB15}10 Wiederholungen + 10-fache Kreuzvalidierung + RF-Erklärung zitat-kontexte 5.2 Z. 77 \cite\cite[S.~143, M3]{PNRB15}Fahrzeugweise Trennung von Trainings- und Testdaten, sonst systematische Überschätzung zitat-kontexte
5.3 Merkmalsauswahl
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 5.3 Z. 84 \cite\cite[S.~143, M4]{PNRB15}Rohdatensatz ~1250 Merkmale, pro Fahrzeug ~500 verfügbar zitat-kontexte 5.3 Z. 91 \cite\cite[S.~143, M5]{PNRB15}Expertenauswahl: 4 handverlesene Parameter (Alterung/Nutzung) zitat-kontexte 5.3 Z. 101 \cite\cite[S.~143, M5]{PNRB15}Wrapper-Verfahren mit Beam Search + Top-5-Kandidaten + Schrumpffaktor zitat-kontexte 5.3 Z. 106 \cite\cite[S.~143, M5]{PNRB15}Filter-Verfahren mit Kolmogorov-Smirnov-Test pro Merkmal zitat-kontexte 5.3 Z. 109 \cite\cite[S.~144, M2]{PNRB15}Klassen stark unbalanciert; Motivation für SMOTE-Balancierung zitat-kontexte 5.3 Z. 112 \cite\cite[S.~145, M1]{PNRB15}SMOTE-Einsatz zur Klassenbalancierung + k zitat-kontexte 5.3 Abb.~5.1 \cite\cite[S.~139\,ff.]{PNRB15}Verarbeitungspipeline-Grafik: eigene Darstellung nach Prytz et al. zitat-kontexte
5.4 Bewertung und Ergebnisse
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 5.4 Z. 158 \cite\cite[S.~142, M3]{PNRB15}Metriken-Kritik: Klassifikationsmetriken nur für balancierte Datensätze aussagekräftig zitat-kontexte 5.4 Z. 163 \cite\cite[S.~147\,f.]{PNRB15}Metriken-Divergenz: Accuracy sinkt mit False Negatives, Profit bleibt nahezu konstant zitat-kontexte 5.4 Z. 165 \cite\cite[S.~145, M2]{PNRB15}Formale Definition der Kostenparameter ECUR, CPR, Investment zitat-kontexte 5.4 Z. 169 \cite\cite[S.~143, M1]{PNRB15}Profit-Formel Profit = TP ⋅ EC U R − FP ⋅ CPR − Investment zitat-kontexte 5.4 Abb.~5.2 \cite\cite[S.~148, Tab.~1]{PNRB15}Balkendiagramm-Werte für Profit und normalisierten Profit pro Merkmalsset zitat-kontexte 5.4 Z. 179 \cite\cite[S.~146, M1]{PNRB15}6+1 Feature-Sets inkl. age-normalisierter Varianten zitat-kontexte 5.4 Z. 182 \cite\cite[S.~144, M1]{PNRB15}Age-Normalisation-Methode (Bereinigung um Fahrzeugalter-Einfluss) zitat-kontexte 5.4 Z. 243 \cite\cite[S.~148, Tab.~1]{PNRB15} + \cite[S.~149, M1]{PNRB15}Werte aus Tab. 1 + Rangfolge Usage / Beam 1 schlägt Expert zitat-kontexte 5.4 Z. 247 \cite\cite[S.~148, Tab.~1]{PNRB15}Ersparnis rund 110 EUR/Fahrzeug; Nettonutzen niedriger einstelliger Millionenbereich für 10 000 Fahrzeuge zitat-kontexte 5.4 Z. 251 \cite\cite[S.~149, M1]{PNRB15}Beam 1 und Usage schlagen Expertenauswahl deutlich zitat-kontexte 5.4 Z. 261 \cite\cite[S.~149\,f., M2]{PNRB15}Usage-Merkmale schlagen Wear-Merkmale + Erklärung durch Ausfallpfade zitat-kontexte 5.4 Z. 294 \cite\cite[S.~149, M1]{PNRB15}Data-Driven-ML-Schluss: algorithmische Merkmalsauswahl ersetzt Vorwissen zitat-kontexte
Kap. 6 — Zusammenfassung und Ausblick
Kap. / Zeile Typ Beleg-Kürzel Aussage Detail 6.2 Z. 70 \cite\cite[S.~39]{BFOS84}CART enthält bereits Erweiterung um Splits auf Linearkombinationen mehrerer Merkmale (nicht in dieser Arbeit behandelt); Kap. 2.5.3 „Variable Combinations” zitat-kontexte 6.2 Z. 75 \cite\cite[S.~137]{Bre96a}Trade-off Vorhersagegüte vs. Interpretierbarkeit: Baumstruktur verloren, Vorhersagegenauigkeit gewonnen zitat-kontexte
Statistik
Quelle \cite\belegSumme BFOS84 26 0 26 Bre96a 6 0 6 Bre96b 4 0 4 Bre01 9 0 9 CBHK02 5 0 5 PNRB15 28 0 28 Summe 78 0 78
Stand: 2026-08-16. Alle 74 Cites verifiziert; kein \beleg mehr im Manuskript . Letzte Verifikationen: (a) Kap. 5.1–5.4 durch PNRB15-Vollrelesung mit 20 Sammel-Markern (S. 139–149); (b) Kap. 6.2 Z. 70 \cite[S.~39]{BFOS84} (Linearkombinations-Splits, Section 2.5.3 „Variable Combinations”). Historische Streichungen (Sha48, Qui86, Qui93, RS04, Kap. 4.5 Interpretierbarkeit) siehe review-log .
Zusammenhänge