Review: Kap. 2 (Grundlagen) — Kurzreview
stil_redakteur: Wissenschaftlicher Redakteur
Bewertung: Bedingt akzeptiert
Befunde:
| # | Schwere | Ort | Befund | Empfehlung |
|---|---|---|---|---|
| 1 | Hoch | 2.1, Z. 40 | „… desto höher ist die Güte des Algorithmus.” — bricht die in 2.1 gerade etablierte ontologische Trennung: die Maschine lernt durch den Algorithmus und erzeugt ein Modell; gemessen wird die Vorhersagequalität am Modell, nicht am Algorithmus. Fachlich und stilistisch inkonsistent zum Rest von 2.1. | „Güte des Modells” (oder „Vorhersagegüte des trainierten Modells”). |
| 2 | Mittel | 2.1, Z. 42–46 | „ein Modell, das die Trainingsdaten sehr genau reproduziert, kann auf neuen Daten dennoch schlechte Vorhersagen liefern, wenn es Besonderheiten der Trainingsstichprobe statt der zugrunde liegenden Muster gelernt hat.” — Das Modell wird hier als lernendes Subjekt aktiviert, während 2.1 sonst die Maschine als Akteurin führt („die Maschine lernt”, „die Maschine ermittelt”). Kleiner ontologischer Bruch, in ML-Kontexten aber üblich. | Umformulieren zu „… wenn im Modell Besonderheiten der Trainingsstichprobe statt der zugrunde liegenden Muster abgebildet sind” oder „… wenn die Maschine Besonderheiten der Trainingsstichprobe statt der zugrunde liegenden Muster gelernt hat”. |
| 3 | Mittel | 2.4, Grafik Z. 254 | Abkürzung „Gini-Idx.” ist im Deutschen ungewöhnlich (Duden kennt „Idx.” nicht als Standardabkürzung). Text verwendet konsistent „Gini-Index”. Bruch zwischen Grafik und Text. | „Gini-Idx.” → „Gini-Index” (mit Zeilenumbruch bei Platznot). |
| 4 | Niedrig | 2.4, Grafik Z. 272 | „Gini vs. IG” — englische Kurzform „IG” tauchen weder im Fließtext noch in der Description-Liste auf; im Text durchgehend „Information Gain” bzw. „Information-Gain-Kriterium”. Konsistenz-Bruch Grafik ↔ Text. | „IG” → „Information Gain” (ggf. Umbruch „Information\Gain”). |
| 5 | Niedrig | 2.4, Zeitstrahl-Description Z. 336, 349–350 | „Gain Ratio”, „Out-of-Bag-Fehlerschätzung”, „Permutation Importance” — Sprachmischung, aber bewusst und in der Fachliteratur so etabliert. Sollte in Kap. 3/4 bei Einführung derselben Begriffe im gleichen Register bleiben (Konsistenzcheck dort). | Keine Aktion in Kap. 2; nur zur Kenntnis für Kap. 3/4. |
| 6 | Info | Bindestrichkomposita | „ML-Algorithmus” (Z. 36), „Split-Kriterium” (Z. 222), „Information-Gain-Kriterium” (Z. 215), „Cost-Complexity-Pruning” (Z. 325), „Out-of-Bag-Fehlerschätzung” (Z. 349), „Bootstrap Aggregating” (Z. 341, mit Klammerauflösung) — Bindestriche folgen konsistent der Regel (Abk./Eigenname/Fremdwort + deutsch). Keine plakativen Ausdrücke gefunden. | Keine Aktion. |
| 7 | Info | Ontologische Konsistenz 2.2–2.4 | 2.2 (Baum als Datenstruktur), 2.3 (Aufgabentypen), 2.4 (historische Verortung) verwenden „Verfahren”, „Algorithmus”, „Baumkonstruktion” ohne Personifizierung; Beispiel-Diagramme in 2.3 sprechen sachlich von Klassenzuweisung und Restlebensdauer. Muster wird nicht gebrochen. | Keine Aktion. |
Zusammenfassung: Ontologische Präzisierung ist in 2.2–2.4 sauber durchgehalten. In 2.1 bleiben zwei Reste des alten Sprachgebrauchs: „Güte des Algorithmus” (Z. 40) und „Modell … hat gelernt” (Z. 42–46). Grafik-Beschriftungen „Gini-Idx.” und „IG” brechen die Text-Konsistenz. Keine plakativen Ausdrücke, keine Bindestrichfehler.