Review: Zulassungsarbeit — Verteidigungs-Vorbereitung

verteidigungs_pruefer: Prüfer-Simulator

Ich habe alle Kapitel gelesen. Hier ist die Fragenliste für die Verteidigung.

Frage 1

Meta	Wert
Fundstelle	Kurzfassung; Kap. 2.4 (Historische Verortung)
Angriffsfläche	Hoch

Frage: „Sie strukturieren die gesamte Arbeit entlang zweier Forschungslinien — Quinlan und Breiman. Warum genau diese Dichotomie? Ist das nicht eine didaktische Konstruktion? Wo bleiben Hunt (CLS, 1966) als direkter Vorläufer von ID3, THAID/CHAID (Messenger/Mandell 1972, Kass 1980) oder Loh’s QUEST und GUIDE?”

Verteidigungslinie: Die Zwei-Linien-Sicht ist eine bewusste Auswahl zur inhaltlichen Fokussierung auf die im 21. Jahrhundert dominanten Praxisverfahren (Random Forests) und deren gemeinsam-parallele theoretische Wurzeln (Entropie vs. Gini). Hunt/CLS wäre historisch korrekter Vorläufer, ändert aber die algorithmischen Kernprinzipien nicht. CHAID/QUEST sind statistisch motivierte Nebenlinien, die weder in den späteren Ensemblebogen führen noch in die Fallstudie münden.

Empfehlung: In Abschnitt 2.4 einen Satz ergänzen, warum die Konstruktion der zwei Linien bewusst gewählt und CHAID/CLS ausgeklammert wurden — sonst wirkt es wie eine unhinterfragte Prämisse.

Frage 2

Meta	Wert
Fundstelle	Kap. 2.4, Fußnote zu Gini 1912
Angriffsfläche	Kritisch

Frage: „Sie verweisen auf Gini 1912 als historischen Anker, zitieren ihn aber ausdrücklich nicht als Primärquelle. Auf welche Ausgabe genau beziehen Sie sich, und warum halten Sie es für zulässig, einen Autor namentlich zu würdigen, ohne die Quelle verifiziert zu haben?”

Verteidigungslinie: Die für die Baumklassifikation relevante Formulierung des Gini-Index stammt aus BFOS84 S. 103 — dort ist die Adaption als Impuritätsmaß begründet. Die italienische Originalarbeit („Variabilità e mutabilità”, Bologna 1912) wäre für die informatische Argumentation nicht einschlägig; die Nennung dient nur der historischen Verortung.

Empfehlung: Fußnote präzisieren: statt „Originalwerk … nicht zitiert” besser „für die algorithmische Baumnutzung ist die Neuformulierung in BFOS84 einschlägig, das Original von 1912 wird daher nur namentlich referenziert”.

Frage 3

Meta	Wert
Fundstelle	Kap. 2.2, S. „binäre Form … ohne Verlust an Ausdrucksmächtigkeit”
Angriffsfläche	Hoch

Frage: „Sie behaupten, mehrwertige Splits ließen sich verlustfrei durch binäre Splits ersetzen. Können Sie das an einem konkreten Beispiel begründen? Was passiert mit der Split-Bewertung, wenn ich einen 4-fach-Split für ein Merkmal mit vier Ausprägungen sequentiell durch drei binäre Splits ersetze — ist der resultierende Baum wirklich äquivalent, oder ist er nur funktional äquivalent bei tieferer Struktur und veränderter Impuritätsabnahme?”

Verteidigungslinie: Ausdrucksmächtigkeit meint hier: jede Partition, die mit mehrwertigen Splits erreichbar ist, ist auch mit einer Kaskade binärer Splits erreichbar. Der Preis ist Baumtiefe und eine verteilte Impuritätsreduktion. Der Verweis auf BFOS84 S. 28 sichert die Aussage; für die Argumentation der Arbeit reicht die funktionale Äquivalenz aus.

Empfehlung: „ohne Verlust an Ausdrucksmächtigkeit” um den Halbsatz „im Sinne darstellbarer Partitionen” ergänzen.

Frage 4

Meta	Wert
Fundstelle	Kap. 3.2, Gl. (impuritaets-abnahme), BFOS84 S. 25
Angriffsfläche	Hoch

Frage: „Der Impuritätsrahmen setzt implizit voraus, dass die Impuritätsfunktion $i (t)$ bestimmte Eigenschaften hat — Konkavität, Symmetrie, Nullstelle bei reinen Knoten. Können Sie diese Eigenschaften nennen und begründen, warum sie garantieren, dass $Δ i (s, t) \geq 0$ gilt?”

Verteidigungslinie: Breiman et al. verlangen, dass $ϕ$ -Impuritäten strikt konkav auf dem Simplex sind, symmetrisch in den Klassen und Null bei Randpunkten (reine Verteilungen). Aus der Konkavität folgt über die Jensen-Ungleichung $Δ i \geq 0$ für jeden Split; Gini und Entropie erfüllen beide Eigenschaften.

Empfehlung: Kurzer Nachtrag in Abschnitt 3.2, dass $i (t)$ als konkave, symmetrische Impuritätsfunktion vorausgesetzt wird — sonst ist die Nichtnegativität von $Δ i$ implizit.

Frage 5

Meta	Wert
Fundstelle	Kap. 3.3, Gl. (regressions-impuritaet), Normierung auf $N$
Angriffsfläche	Mittel

Frage: „Sie normieren die Regressionsimpurität mit dem Gesamtdatensatz $N$ und begründen damit, dass die Gewichte $p_{L}, p_{R}$ ‚automatisch enthalten’ sind. Warum diese Notation und nicht die knotenlokale Varianz mit $1/ N (t)$ ? Ändert die Wahl der Normierung die Split-Auswahl?”

Verteidigungslinie: Die BFOS-Konvention normiert auf $N$ , damit die Impuritäten der Knoten additiv als Beiträge zum Gesamtresidualfehler des Baumes lesbar sind. Für die Split-Auswahl selbst ist die Normierung irrelevant, weil sie an allen Knoten gleich ist; die Argmax-Auswahl bleibt invariant.

Empfehlung: Einen Satz ergänzen, dass die Normierung die Split-Auswahl nicht verändert, sondern nur die Interpretation der absoluten Werte.

Frage 6

Meta	Wert
Fundstelle	Kap. 3.5.1, Gl. (shannon-entropie), Sha48 S. 11
Angriffsfläche	Hoch

Frage: „Sie zitieren die Entropie aus Shannons Originalpapier, verwenden sie aber mit $lo g_{2}$ und leiten daraus die Einheit ‚Bit’ ab. Warum Basis 2? Wäre die Split-Auswahl mit natürlichem Logarithmus oder Basis 10 anders? Welchen Einfluss hat die Basis auf $Gain$ ?”

Verteidigungslinie: Der Basiswechsel entspricht einer Multiplikation mit einer positiven Konstante ( $1/ ln 2$ bzw. $1/ lo g_{2} 10$ ). Da Argmax invariant unter monotonen positiven Skalierungen ist, ändert sich die Split-Auswahl nicht. Die Wahl von Basis 2 folgt Quinlans ID3-Konvention S. 89 und macht Werte in Bit direkt interpretierbar.

Empfehlung: Halbsatz ergänzen: „Basisunabhängig für die Split-Auswahl; Basis 2 folgt der ID3-Konvention und liefert Werte in Bit.”

Frage 7

Meta	Wert
Fundstelle	Kap. 3.6, Vergleich Gini/IG, RS04 S. 91 f.
Angriffsfläche	Kritisch

Frage: „Raileanu und Stoffel haben nur Datensätze mit zwei binären Merkmalen und 50–200 Datenpunkten untersucht. Warum halten Sie diesen Befund für auf reale Anwendungen mit dutzenden stetigen Merkmalen und tausenden Datenpunkten übertragbar? Wo im Manuskript diskutieren Sie diese Einschränkung?”

Verteidigungslinie: Der Befund ist auf die Wurzel-Split-Wahl im binären Fall bezogen. Für höhere Merkmalszahlen und stetige Merkmale ist die 98%-Zahl nicht direkt übertragbar; wohl aber die qualitative Beobachtung — beide Impuritäten haben denselben symmetrischen Verlauf (Abb. impuritaets-vergleich) und dieselbe Maximumstelle, so dass systematische Abweichungen unwahrscheinlich sind. Die Studie stützt eine Plausibilität, kein universelles Ergebnis.

Empfehlung: Einen Satz zur Grenze der RS04-Übertragbarkeit einfügen — der Prüfer wird das Fehlen bemerken.

Frage 8

Meta	Wert
Fundstelle	Kap. 3.7 (stetige Merkmale), Qui93 S. 25 f.
Angriffsfläche	Hoch

Frage: „Wenn ein stetiges Merkmal $m$ verschiedene Werte hat, evaluieren Sie $m - 1$ Kandidatenschwellwerte. Wie skaliert der Rechenaufwand pro Knoten bei $N$ Datenpunkten und $d$ Merkmalen? Was ist die dominante Kostenquelle in der Praxis?”

Verteidigungslinie: Pro Merkmal ist Sortieren $O (N lo g N)$ dominant; die anschließende Impuritätsberechnung entlang der sortierten Liste ist $O (N)$ (mit inkrementeller Aktualisierung von Klassenzählern). Pro Knoten ergibt sich $O (d \cdot N lo g N)$ . Bei tiefen Bäumen dominieren die oberen Knoten mit größerer Trainingsmenge.

Empfehlung: Optional ein Satz zum Aufwand; Prof. Lohscheller als Informatiker wird nach Komplexität fragen.

Frage 9

Meta	Wert
Fundstelle	Kap. 3.8 (Pruning), BFOS84 S. 62; Qui93 S. 40 f.
Angriffsfläche	Hoch

Frage: „Sie beschreiben Cost-Complexity-Pruning und Pessimistic Error Pruning verbal, geben aber keine Formel. Wie ist der Cost-Complexity-Parameter $α$ definiert? Was ist die Regel, mit der C4.5 aus der Binomialverteilung eine obere Fehlerschranke ableitet?”

Verteidigungslinie: Cost-Complexity minimiert $R_{α} (T) = R (T) + α ∣ \tilde{T} ∣$ mit $∣ \tilde{T} ∣$ der Anzahl Blätter; $α$ steuert den Trade-off Fehler/Komplexität und wird per Kreuzvalidierung gewählt. C4.5 nutzt die obere Konfidenzgrenze der Binomialverteilung (Standardwert CF = 25 %) als pessimistische Fehlerschätzung; ein Teilbaum wird ersetzt, wenn der geschätzte Fehler nach Ersetzung kleiner ist.

Empfehlung: Für die Verteidigung stichfest lernen; im Manuskript ist die verbale Fassung angemessen für die Länge, aber im Prüfungsgespräch mündlich formelhaft parat haben.

Frage 10

Meta	Wert
Fundstelle	Kap. 4.1, Bre96 zu Instabilität
Angriffsfläche	Mittel

Frage: „Sie bezeichnen Entscheidungsbäume als ‚instabil’. Wie ist ‚Instabilität’ hier formal definiert? Gibt es ein quantitatives Maß, und wie unterscheidet es Bäume von etwa $k$ -NN?”

Verteidigungslinie: Breiman definiert Instabilität über Varianz der Vorhersagen unter Resampling der Trainingsmenge. Ein Verfahren ist instabil, wenn kleine Änderungen der Trainingsmenge zu strukturell abweichenden Modellen und damit hoher Vorhersagevarianz führen. Bäume sind wegen der hierarchisch fortpflanzenden Split-Wahl instabil, $k$ -NN wegen der lokalen Mittelung stabil.

Empfehlung: Definition „Instabilität = hohe Vorhersagevarianz unter Resampling” explizit in Abschnitt 4.1 aufnehmen.

Frage 11

Meta	Wert
Fundstelle	Kap. 4.2 (Bagging)
Angriffsfläche	Hoch

Frage: „Bagging reduziert die Vorhersagevarianz — aber was passiert mit dem Bias? Können Sie den Bias-Varianz-Trade-off für Bagging analytisch skizzieren und erklären, warum Bagging bei stabilen Verfahren fast wirkungslos bleibt?”

Verteidigungslinie: Bagging lässt den Bias im Wesentlichen unverändert und reduziert primär die Varianz; bei $B$ unkorrelierten Bäumen fällt die Varianz proportional zu $1/ B$ , bei paarweiser Korrelation $ρ$ bleibt der Grenzwert $ρ σ^{2}$ . Bei stabilen Verfahren ist $σ^{2}$ bereits klein, so dass die Reduktion vernachlässigbar bleibt (Bre96 S. 124).

Empfehlung: Bias/Varianz-Argument mündlich vorbereiten; im Manuskript ist es implizit über „Instabilität” abgedeckt.

Frage 12

Meta	Wert
Fundstelle	Kap. 4.3, „ $m_{try} = 3$ ” in Abb.
Angriffsfläche	Mittel

Frage: „Welchen Wert nimmt $m_{try}$ typischerweise an? Woher stammt die Empfehlung, und was ist die theoretische Rechtfertigung für gerade diese Größenordnung?”

Verteidigungslinie: Für Klassifikation empfiehlt Breiman $m_{try} = ⌊ M ⌋$ , für Regression $M /3$ . Die Wurzelregel folgt der Beobachtung, dass sie in der Empirie ein gutes Verhältnis von Bias (Baumstärke) und Korrelation (Dekorrelation) liefert; theoretisch aus dem Zusammenhang $Fehler \sim ρ / s^{2}$ (Korrelation/Stärke, Bre01).

Empfehlung: In der Abbildungsbeschriftung erwähnen, dass $m_{try} = 3$ ein Beispiel ist, und den typischen Wert $M$ im Fließtext ergänzen.

Frage 13

Meta	Wert
Fundstelle	Kap. 4.3, OOB „ungefähr ein Drittel”
Angriffsfläche	Hoch

Frage: „Sie schreiben, ‚ungefähr ein Drittel’ der Datenpunkte bleibe außerhalb einer Bootstrap-Stichprobe. Können Sie das herleiten?”

Verteidigungslinie: Bei $N$ Ziehungen mit Zurücklegen aus $N$ Datenpunkten ist die Wahrscheinlichkeit, dass ein konkreter Datenpunkt in keiner Ziehung enthalten ist, $(1 - 1/ N)^{N} \to 1/ e \approx 0, 368$ für $N \to \infty$ .

Empfehlung: Kurze Fußnote mit $1/ e$ -Grenzwert einfügen — der Prüfer wird die Herleitung sehen wollen.

Frage 14

Meta	Wert
Fundstelle	Kap. 4.3, Permutation Importance
Angriffsfläche	Kritisch

Frage: „Permutation Importance ist bekannt dafür, bei korrelierten Merkmalen irreführende Werte zu liefern. Warum diskutieren Sie diese methodische Einschränkung nicht? Wäre nicht Strobl et al. (2007, Conditional Variable Importance) einschlägig?”

Verteidigungslinie: Der Fokus liegt auf Breimans Originalvorschlag als Ausgangspunkt. Die Kritik von Strobl et al. betrifft eine Weiterentwicklung, die im engen historischen Bogen der Arbeit nicht mehr Platz hat; sie würde aber die in Kap. 5 diskutierte Interpretierbarkeitsfrage weiter verschärfen.

Empfehlung: In Abschnitt 4.4 (Interpretierbarkeit) einen Halbsatz zur Einschränkung bei korrelierten Merkmalen ergänzen — sonst wirkt die Permutation Importance zu unkritisch positiv.

Frage 15

Meta	Wert
Fundstelle	Kap. 4.4 (Interpretierbarkeit)
Angriffsfläche	Hoch

Frage: „Warum behandeln Sie moderne Erklärungsverfahren wie SHAP (Lundberg & Lee 2017) oder LIME (Ribeiro et al. 2016) nicht — obwohl sie speziell für Baum-Ensembles heute Stand der Praxis sind?”

Verteidigungslinie: Die Arbeit ist bewusst auf den historisch geschlossenen Verfahrensbogen bis Random Forests 2001 begrenzt. SHAP/LIME sind post-hoc-Erklärungsverfahren, die auf ein bereits trainiertes Modell aufsetzen; sie gehören inhaltlich in einen Anschluss („Nachträgliche Erklärung komplexer Ensemble-Vorhersagen”), der im Ausblick (Kap. 6.3) explizit benannt ist.

Empfehlung: Im Ausblick SHAP/LIME namentlich nennen — das signalisiert, dass die Ausklammerung bewusst und nicht aus Unkenntnis erfolgt.

Frage 16

Meta	Wert
Fundstelle	Kap. 5, gesamte Fallstudie
Angriffsfläche	Kritisch

Frage: „Warum haben Sie sich für Prytz et al. 2015 entschieden und nicht für eine andere Predictive-Maintenance-Studie mit Random Forests? Ist die Wahl inhaltlich motiviert oder Verfügbarkeit?”

Verteidigungslinie: Die Studie erfüllt drei Kriterien gleichzeitig: (1) Random Forests als Kernverfahren — damit direkter Anschluss an Kap. 4; (2) reale industrielle Datenlage mit den in Kap. 3 diskutierten Herausforderungen (stetige Merkmale, hohe Dimensionalität); (3) explizite ökonomische Bewertung (Profitfunktion), die den Verfahrenswert quantifizierbar macht. Alternativen aus der Literatur (Susto et al. 2015, semiconductor manufacturing) haben zwei dieser drei Kriterien, aber keine ökonomische Zielgröße.

Empfehlung: In Abschnitt 5.1 einen kurzen Satz zur bewussten Auswahl aufnehmen — die Frage ist bei einer Fallstudie unvermeidlich.

Frage 17

Meta	Wert
Fundstelle	Kap. 5.3, SMOTE
Angriffsfläche	Mittel

Frage: „SMOTE erzeugt synthetische Minderheitsbeispiele. Warum wurde nicht stattdessen mit Klassengewichten oder Kostenmatrizen im Random Forest selbst gearbeitet, was für baumbasierte Verfahren technisch einfacher wäre?”

Verteidigungslinie: Die Autoren treffen diese Wahl; für die Arbeit ist sie als Studienentscheidung wiedergegeben, nicht bewertet. Argumentativ spricht für SMOTE die höhere Vielfalt der Trainingsverteilung; gegen SMOTE die Gefahr, in verrauschten Bereichen künstliche Ausreißer zu erzeugen. Klassengewichte wären eine legitime Alternative.

Empfehlung: Falls Raum, einen Satz zur Alternative Klassengewichte einfügen — zeigt kritische Distanz zur zitierten Studie.

Frage 18

Meta	Wert
Fundstelle	Kap. 5.4, Profit-Formel PNRB15 S. 142
Angriffsfläche	Hoch

Frage: „Die Profit-Formel behandelt nur $TP$ und $FP$ , nicht aber $FN$ . Was ist ökonomisch mit einem übersehenen Ausfall — trägt der nicht die eigentlich teuersten Kosten? Ist die Formel unvollständig?”

Verteidigungslinie: $FN$ (übersehener Ausfall) entspricht dem Basisfall ohne Vorhersagesystem: es entsteht die volle ungeplante Standzeit, deren Kosten aber schon vor Einführung des Modells anfallen. Die Formel misst daher den Mehrwert gegenüber dem Nullmodell (kein System). Ein $FN$ liefert weder Kosten noch Nutzen aus dem Modell — er ist implizit als Neutralpunkt eingerechnet.

Empfehlung: Eine Fußnote zur Interpretation von $FN$ als „Baseline-Fall” einfügen — der Prüfer wird die Auslassung sehen.

Frage 19

Meta	Wert
Fundstelle	Kap. 5.4, „algorithmische Merkmalsauswahl schlägt Experten”
Angriffsfläche	Hoch

Frage: „Sie zitieren zustimmend die Aussage, algorithmische Merkmalsauswahl schlage die Expertenauswahl. Wie robust ist dieser Befund — nur vier handverlesene Merkmale gegen dutzende algorithmisch ausgewählte? Ist der Vergleich fair?”

Verteidigungslinie: Der Vergleich ist in der Tat asymmetrisch: die algorithmische Auswahl darf aus dem gesamten Merkmalspool schöpfen, während der Experte auf vier Parameter beschränkt ist. Der Befund zeigt daher weniger die Überlegenheit von Algorithmen über Menschen als vielmehr, dass eine breite Merkmalsbasis in Kombination mit Random Forests Feature-Vorwissen teilweise ersetzt. Diese Nuance kompensiert die im Manuskript etwas zu pointierte Formulierung „schlägt deutlich”.

Empfehlung: In Kap. 5.4 und in der Zusammenfassung 6.1 die Formulierung entschärfen — nicht „schlägt”, sondern „übertrifft in dieser Studie unter den genannten Bedingungen”.

Frage 20

Meta	Wert
Fundstelle	Struktur, Ausblick 6.3
Angriffsfläche	Kritisch

Frage: „Sie behandeln Bagging und Random Forests, aber kein Boosting — obwohl AdaBoost (Freund/Schapire 1997) und Gradient Boosting (Friedman 2001) für baumbasierte Verfahren mindestens ebenso praxisdominant sind wie Random Forests. XGBoost und LightGBM gewinnen heute die meisten Kaggle-Wettbewerbe. Warum diese Auslassung? Ist Ihre Darstellung damit nicht unvollständig?”

Verteidigungslinie: Die Arbeit fokussiert bewusst den parallelen (Bagging-)Zweig, weil dieser einen historisch geschlossenen Bogen bildet (Bre96 → Bre01 → PNRB15). Boosting ist ein eigenständiger sequentieller Zweig mit eigenem theoretischem Rahmen (additive Modelle, gradientenbasierte Verlustminimierung), der den Umfang der Zulassungsarbeit sprengen würde. Der Ausblick benennt Boosting namentlich als Anschlusspunkt.

Empfehlung: Im Ausblick Boosting nicht nur andeuten, sondern XGBoost/Gradient Boosting explizit nennen und die Ausklammerung mit Umfang und historischem Bogen begründen. Diese Frage kommt sicher.

Frage 21

Meta	Wert
Fundstelle	Struktur der Arbeit
Angriffsfläche	Mittel

Frage: „Warum diese Umfangsverteilung — Kap. 3 (Funktionsprinzipien) ist deutlich länger als Kap. 4 (Ensemble) und Kap. 5 (Anwendung)? Wäre nicht eine ausgewogenere Aufteilung angemessener, insbesondere da die Fallstudie den namensgebenden Anwendungsteil darstellt?”

Verteidigungslinie: Kap. 3 legt den mathematischen Kern (Impuritätsrahmen, beide Split-Kriterien, Regression, Pruning, stetige Merkmale), auf dem Kap. 4 und 5 aufsitzen. Ohne diesen dichten Grundlagenteil wären sowohl die Bagging/RF-Motivation als auch die Verfahrensrekonstruktion in der Fallstudie nicht tragfähig. Die Kapitel 4 und 5 nutzen Kap. 3 als Referenzrahmen und können deshalb kürzer bleiben.

Empfehlung: Argument mündlich vorbereiten; im Manuskript ist die Umfangsverteilung durch die Rückverweise ohnehin plausibilisiert.

Frage 22

Meta	Wert
Fundstelle	Kap. 3.6, Abb. impuritaets-vergleich
Angriffsfläche	Mittel

Frage: „Sie skalieren den Gini-Index für den Vergleich um Faktor 2, sodass beide Kurven bei $p_{1} = 0, 5$ den Wert 1 annehmen. Warum ausgerechnet Faktor 2 und nicht die native Skalierung — verzerrt die Skalierung nicht die visuelle Aussage über den Krümmungsunterschied?”

Verteidigungslinie: Faktor 2 = $1/ i_{m a x}^{Gini}$ normiert beide Kurven auf ihr jeweiliges Maximum. Ohne diese Normierung wäre der visuelle Vergleich der Krümmung durch den Faktor-2-Höhenunterschied dominiert, obwohl die Split-Auswahl (Argmax) skalierungsinvariant ist. Der Krümmungsunterschied bleibt bei normierter Darstellung erhalten und ist genau der argumentativ interessante Punkt.

Empfehlung: In der Abbildungsbeschriftung „normierte Darstellung; die Split-Auswahl ist von der Skalierung unabhängig” ergänzen.

Frage 23

Meta	Wert
Fundstelle	Kap. 6.2 (Grenzen), Achsenparallele Splits
Angriffsfläche	Mittel

Frage: „Sie erwähnen die Erweiterung um Splits auf Linearkombinationen (BFOS84 S. 39) als Antwort auf die Diagonalgrenzen-Problematik. Warum haben Sie diese Erweiterung nicht behandelt, obwohl sie im Primärwerk enthalten ist?”

Verteidigungslinie: Oblique Splits (Linearkombinationen) verlassen den Kern der achsenparallelen rekursiven Partitionierung und führen zu einer eigenen Klasse hybrider Verfahren (OC1, Murthy et al. 1994). Sie sind für Verständnis und Fallstudie nicht erforderlich und würden den Umfangsrahmen sprengen. Die Erwähnung in Kap. 6.2 macht die bewusste Ausklammerung sichtbar.

Empfehlung: Wie formuliert ausreichend; nur mündlich parat halten.

Frage 24

Meta	Wert
Fundstelle	Kap. 2.1, Definition ML
Angriffsfläche	Mittel

Frage: „Ihre ML-Definition ist sehr informell — ‚Algorithmen, mit deren Hilfe Maschinen für bestimmte Aufgaben trainiert werden’. Wie unterscheiden Sie ML formal von klassischer Statistik oder von regelbasierten Systemen? Kennen Sie die Mitchell-Definition (1997) oder die Vapnik-Formalisierung?”

Verteidigungslinie: Mitchell definiert: „A computer program is said to learn from experience $E$ with respect to some task $T$ and performance measure $P$ , if its performance at $T$ , as measured by $P$ , improves with $E$ .” Der Unterschied zur klassischen Programmierung liegt in der Herleitung der Entscheidungslogik aus Daten statt aus explizit formulierten Regeln; der Unterschied zur klassischen Statistik ist gradueller — beide Felder überlappen erheblich, ML betont algorithmische Skalierung und Prädiktion über Inferenz.

Empfehlung: Falls Raum, Mitchell-Definition als Fußnote einfügen; ansonsten mündlich vorbereiten.

Frage 25

Meta	Wert
Fundstelle	Anhang Beispielrechnung
Angriffsfläche	Hoch

Frage: „Ihre Beispielrechnung führt beide Split-Kriterien auf demselben Datensatz durch und erhält denselben Wurzel-Split. Ist das nicht zirkulär — Sie konstruieren doch ein Beispiel, das die These aus Kap. 3.6 stützt? Was passiert, wenn Sie einen der bekannten Gegenbeispiel-Datensätze aus RS04 wählen, in dem die Kriterien abweichen?”

Verteidigungslinie: Das Beispiel demonstriert primär die mechanische Durchführung beider Rechnungen, nicht die Übereinstimmung. Dass beide Kriterien denselben Split wählen, ist eine Konsequenz — konsistent mit dem 98%-Befund aus RS04. Ein absichtlich konstruiertes Gegenbeispiel wäre lehrreich, würde aber die didaktische Klarheit (identische Rechnung, identisches Ergebnis) ersetzen durch einen künstlichen Sonderfall.

Empfehlung: Im Anhang einen Halbsatz aufnehmen, dass die Übereinstimmung mit RS04 konsistent ist und ein konstruiertes Gegenbeispiel gezielt aus dem 2%-Fall wählen müsste.

Nicht behandelte Chapter 04_Anwendungen.tex und Anhang wurden in dieser Runde nicht mit gleicher Tiefe erfasst — Frage 25 basiert auf dem in Kap. 3.4/3.6 skizzierten Rechenrahmen; falls der Anhang inhaltlich abweicht, wäre die Frage nachzuschärfen.

studium-vault — Master-Arbeiten Informatik

Bereiche

Review 2026-07-26 — Verteidigungs-Prüfer (25 Prüfungsfragen)