Kapitel 5 — Quellen-Lektüre
Kap. 5 (Anwendung: Predictive Maintenance) ist die Fallstudie. Belegt werden: Anwendungsspektrum baumbasierter Verfahren (Übersichtsabsatz), Datenlage LVD + VSR, Problemformulierung (posteriore Wahrscheinlichkeit), Klassifikator-Setup, fahrzeugweise Trennung, Merkmalsauswahl (Beam-Search + KS-Filter), SMOTE-Balancierung, Profit-Formel, Ergebnisse.
Alle PNRB15-Seitenzahlen sind nach dem zahlen_pruefer-Sweep 2026-07-26 zu 100 % verifiziert.
Betroffene Primärquellen
| # | Quelle | Zusammenfassung | Fokus für Kap. 5 |
|---|---|---|---|
| 1 | PNRB15 (Prytz et al. 2015) | pnrb15-zusammenfassung | Hauptquelle für die ganze Fallstudie — jede Aussage in Kap. 5 stützt sich auf sie |
| 2 | BFOS84 (Breiman et al. 1984) | bfos84-zusammenfassung | Übersichtsabsatz: medizinische Diagnose (S. 174) + Massenspektren (S. 203) als weitere Anwendungsdomänen |
| 3 | Bre01 (Breiman 2001) | bre01-zusammenfassung | Übersichtsabsatz: Datensatz-Übersicht (S. 12) — Anwendungsbandbreite Random Forests |
Lernfragen
- Warum reduzieren die Autoren die RUL-Regression auf eine binäre Klassifikation? Was ist das Trade-off?
- Was ist der Unterschied zwischen absolutem Profit und normalisiertem Profit (nProfit)? Warum ist Beam 1 beim nProfit vorn, Usage beim absoluten?
- Was leistet SMOTE genau? Warum ist es hier nötig (Klassenungleichgewicht)?
- Warum ist die fahrzeugweise Trennung von Train/Test zwingend? Was passiert bei zufälliger Aufteilung?
- Warum schlägt die algorithmische Merkmalsauswahl die Expertenauswahl? Widerspricht das der Rolle von Domänenwissen?
- Wear vs. Usage: warum sind Usage-Merkmale aussagekräftiger?
Verlauf
Zusammenhänge
- Session: session
- Highlights + M-Marker: quellen-highlights
- zahlen_pruefer-Report (Belegtreue): zahlen_pruefer
- Lernmaterial-Index: index