Review 2026-07-26 — Laien-Leser

Review: Zulassungsarbeit „Entscheidungsbäume” — Manuskript Kap. Kurzfassung–06

laien_leser: Sachkundiger Nicht-Experte

Bewertung: ⚠️ Bedingt akzeptiert

Befunde:

#	Schwere	Kapitel/Ort	Befund	Empfehlung
1	Hoch	3.4.1, Übergang Gl.(\ref{eq:gini-wahrscheinlichkeit}) → Gl.(\ref{eq:gini-quadratsumme})	Ich stecke bei „Durch Auflösen der Doppelsumme unter der Randbedingung $\sum_j p(j	t)=1$ergibtsich\dots ".DeralgebraischeZwischenschritt$\sum_{i\neq j} p_i p_j = 1 - \sum_j p_j^2$ ist für Experten trivial, aber ich als Fachfremder muss selbst nachrechnen. Der Sprung ist genau die Stelle, an der ich die beiden Formen nicht mehr sicher als äquivalent lese.
2	Hoch	5.2, Formel $P(X_t<\Delta \mid Y_t)={\int }_0^{\Delta }f(x_t\mid Y_t)d{x}_t$	Die Symbole $X_t$, $Y_t$, $\Delta$ werden nach der Formel erklärt (OK), aber $f(x_t\mid Y_t)$ wird nirgends eingeführt. Ich vermute Dichtefunktion — muss aber raten. Ohne Fachwissen zur bedingten Dichte ist die Formel Deko.	Einen Halbsatz: „mit $f(x_t\mid Y_t)$ als bedingter Wahrscheinlichkeitsdichte der Restnutzungsdauer gegeben die Historie”.
3	Hoch	5.4, Profit-Formel $Profit=TP\cdot ECUR-FP\cdot CPR-Investment$	Die Abkürzungen $ECUR$ und $CPR$ werden nicht ausgeschrieben, nur paraphrasiert. Prüfkriterium „Abkürzungen bei erster Nennung ausschreiben” verletzt. Zusätzlich verwenden Sie $TP$/$FP$ ohne diese als \textit{True Positive}/\textit{False Positive} einzuführen — ein fachfremder Leser der Klassifikationsmetriken nicht kennt, kann die Formel nicht lesen.	$ECUR$ = Excess Cost Unplanned Repair, $CPR$ = Cost Planned Repair; $TP$/$FP$ ausschreiben + kurz definieren (korrekte Ausfallalarme / Fehlalarme).
4	Hoch	5.4, „Die klassischen Klassifikationsmetriken $F_1$-Score und Precision”	Weder $F_1$ noch Precision noch Accuracy werden erklärt, obwohl das Argument („$F_1$/Precision sind für unbalancierte Datensätze wenig aussagekräftig, weil Accuracy trivial hoch werden kann”) gerade auf dem Verständnis dieser Metriken beruht. Als Laie kann ich der Rechtfertigung für die Profit-Metrik nicht folgen.	Eine kurze Fußnote oder ein Satz je Metrik in 2.1 oder 5.4 (Anteil richtig positiver Vorhersagen etc.).
5	Mittel	2.4, Abb.~\ref{fig:baum-zeitstrahl}	Der Zeitstrahl arbeitet mit vier Farben (grau, blau, grün, violett gestrichelt, rot). Der Text sagt „obere Bahn = Quinlan”, „untere Bahn = Breiman”, aber die Legende der Farbcodierung fehlt in Caption und Umgebungstext. Ich muss aus den Boxbeschriftungen rückschließen.	Caption erweitern: „Farbcodierung: grau = Grundlagen, blau = Quinlan-Familie, grün = Breiman-Familie, violett = theoretische Analyse, rot = Fallstudie”.
6	Mittel	2.4, Beschreibungsliste 1912/1984/2001	Begriffe wie „Cost-Complexity-Pruning”, „Gain Ratio”, „Pessimistic Error Pruning”, „Out-of-Bag-Fehlerschätzung”, „Permutation Importance” werden hier zum ersten Mal genannt, aber nicht erklärt. Ich verstehe die Zeile nicht in ihrer Bedeutung, sondern nur als Etikett.	Entweder je Begriff einen Halbsatz-Verweis auf den Abschnitt, in dem er behandelt wird, oder Formulierung „…u.a.\ das in Abschnitt X behandelte …“.
7	Mittel	3.2, Definition der Kandidatenmenge $S$	„Aus der Kandidatenmenge $S$ aller möglichen Splits am Knoten $t$” — für einen Laien bleibt offen, was das konkret ist: bei diskreten Merkmalen alle Teilmengen? Bei stetigen alle Zwischenwerte? Rückverweis auf 3.7 fehlt hier, wo genau das erklärt wird.	Klammersatz einfügen: „(bei stetigen Merkmalen die in Abschnitt~\ref{sec:stetige-attribute} eingeführten Kandidatenschwellwerte)“.
8	Mittel	3.8, „…über Kreuzvalidierung bestimmt”	Kreuzvalidierung wird als bekannt vorausgesetzt und nirgends eingeführt. Ebenso „statistisch konservative Obergrenze aus der Binomialverteilung”. Beides sind zentrale Elemente der Pruning-Argumentation.	Kreuzvalidierung in 2.1 mit einem Satz einführen (Trainingsmenge in $k$ Teile splitten, jeweils $k-1$ trainieren, 1 testen); den Binomial-Satz zumindest paraphrasieren („obere Schranke des zu erwartenden Fehlers”).
9	Mittel	4.2, „…für stabile Verfahren wie $k$-nearest-neighbor”	Nicht eingeführter Vergleichsalgorithmus. Für die Kernaussage (Bagging wirkt nur bei instabilen Verfahren) irrelevant welches konkrete Beispiel, aber wenn genannt, dann kurz erklären.	Halbsatz: „($k$-nearest-neighbor: klassifiziert nach den $k$ nächstgelegenen Trainingspunkten)“.
10	Mittel	4.3, Notationsbruch $m$ vs. $M$	Text spricht von „$m$ Merkmalen” und „$m_{\text{try}}$”, Abb.~\ref{fig:rf-split-schema} verwendet aber „$M=8$” und „$m_{\text{try}}=3$“. Ich als Leser muss annehmen, dass $m$ und $M$ dasselbe meinen, aber die Konvention wechselt.	Konsistent auf $M$ oder $m$ vereinheitlichen.
11	Mittel	3.4.1, Tabelle~\ref{tab:gini-beispiel}	Bis dahin verwendete Notation ist $p(j	t)$;Tabellenkopflautetaber„$p_1, p_2$“. Als Leser frage ich mich, ob das dasselbe ist oder ob ich einen neuen Notationszweig verpasse.
12	Mittel	5.3, Merkmalsauswahl-Verfahren	„Wrapper-Verfahren”, „Filter-Verfahren”, „Beam-Search”, „Kolmogorov-Smirnov-Test” werden je in einem Satz beschrieben. Für den Laien reicht das nicht: Wrapper vs. Filter ist eine gängige Dichotomie der Feature Selection, die vorher nicht eingeführt wurde.	Kurzer einleitender Absatz zur Dichotomie Wrapper/Filter (Erstere trainieren das Modell selbst, letztere bewerten unabhängig davon).
13	Niedrig	3.1, „achsenparallele Rechtecke”	Fachbegriff ohne Erläuterung, aus Abb.~\ref{fig:kachel-partition} erschließbar. Ordentlich wäre eine kurze Klammer beim Erstauftritt.	„(Rechtecke, deren Kanten parallel zu den Merkmalsachsen verlaufen)“.
14	Niedrig	3.3, „Histogrammschätzung der Regressionsfläche”	Für Fachfremde eine dunkle Formulierung — was ist eine Regressionsfläche? Warum Histogramm?	Halbsatz zur Anschauung („eine stückweise konstante Approximation der Zielgrößen-Fläche über dem Merkmalsraum”).
15	Niedrig	3.2, Notation $\Delta i(s,t)$	Das $\Delta$ als „Abnahme” ist einem Informatiker geläufig, wird aber vor der Formel nicht explizit als Differenz eingeführt.	Einleitungssatz vor Gl.~(\ref{eq:impuritaets-abnahme}): „…die Abnahme $\Delta i$ der Impurität ist definiert als…“.
16	Niedrig	4.2, Abb.~\ref{fig:bagging-schema}	Notation $\mathcal{L}$, ${\mathcal{L}}_i^{\ast }$, $T_i$ wird in Grafik verwendet aber nirgends im Text eingeführt (im Text steht „Trainingsmenge” ohne Symbol).	Caption oder Text: „$\mathcal{L}$ = Trainingsmenge, ${\mathcal{L}}_i^{\ast }$ = $i$-te Bootstrap-Stichprobe, $T_i$ = darauf trainierter Baum”.
17	Info	Gesamt	Roter Faden trägt sehr gut: nach jedem Kapitel weiß ich als Nicht-Experte, welches Bausteinchen dazugekommen ist und wie es die Fallstudie in Kap.~5 vorbereitet. Rückverweise zwischen 3, 4 und 5 sind mustergültig gesetzt.	—
18	Info	2.1	Die Einführung von Trainings-/Testdaten samt Overfitting-Motivation genügt für einen fachfremden Leser vollständig. Vorbildlich.	—

Zusammenfassung: Die Arbeit ist für einen sachkundigen Nicht-Experten sehr gut lesbar; das Grundlagenkapitel trägt die späteren Kapitel zuverlässig. Die Schwachstellen konzentrieren sich in Kapitel 5 (Anwendung), wo drei Notationselemente ($f$ in der Dichteintegralformel, die Kostenkürzel $ECUR/CPR/TP/FP$, die Klassifikationsmetriken $F_1$/Precision/Accuracy) unerklärt bleiben und dem fachfremden Leser den Zugang zu den zentralen Ergebnissen erschweren; hinzu kommt ein übersprungener algebraischer Zwischenschritt bei der Gini-Herleitung. Vier bis fünf gezielte Halbsätze würden die Verständlichkeit für einen fachfremden Zweitprüfer nahezu vollständig herstellen.