Review 2026-08-17 — Verteidigungs-Prüfer

Review: Zulassungsarbeit „Ent­schei­dungs­bäume: Funktionsprinzipien und Anwendungen” — Gesamtmanuskript

verteidigungs_pruefer: Prüfer-Simulator

Bewertung: ⚠️ Bedingt akzeptiert

Die Arbeit ist stilistisch dicht und in der Belegkette überwiegend sauber, weist aber an mehreren Stellen offene Angriffsflächen für die mündliche Verteidigung auf. Kritisch sind vor allem drei Punkte: (1) die Formel für den Ensemble-Fehler in Random Forests wird zitiert, aber nicht ausgeschrieben — der Autor muss bei Nachfrage von Prof. Lohscheller die Strength/Correlation-Herleitung frei skizzieren können; (2) das Cost-Complexity-Pruning wird namentlich erwähnt, der Parameter α und der Pruning-Algorithmus fehlen im Fließtext; (3) in der Fallstudie werden Beam-Search, Kolmogorov-Smirnov-Test und SMOTE knapp referiert, die Prüfungsfrage „Wie funktioniert das genau?” ist bei allen dreien mit hohem Risiko verbunden. Hinzu kommt eine Inkonsistenz zwischen Einleitung (ID3/C4.5 „bewusst ausgeklammert”) und Zusammenfassung (spricht von „zwei parallelen Entwicklungslinien” mit Quinlan), die ein Prüfer sofort adressieren würde.

---

Befunde-Tabelle

#	Schwere	Kapitel/Ort	Befund	Empfehlung
1	Kritisch	6.1 vs. 1.2	Zusammenfassung nennt „zwei parallele Entwicklungslinien: die Arbeiten von Quinlan mit ID3 und C4.5 sowie die für den weiteren Verlauf dieser Arbeit maßgeblichen Arbeiten von Breiman”; die Einleitung schließt Quinlan aber explizit aus. Der Zeitstrahl in 2.4 enthält Quinlan ebenfalls nicht. Widerspruch, den ein Prüfer sofort adressiert.	Zusammenfassung so umformulieren, dass sie die Themenabgrenzung der Einleitung wiedergibt (nur Breiman-Linie); Quinlan-Nennung streichen oder als „bewusst nicht behandelt” flaggen.
2	Hoch	4.3 (S. Random Forests)	Behauptung „OOB-Fehlerschätzung ist erwartungstreu” wird auf Bre01 S. 11 gestützt. Der Erwartungstreue-Begriff ist aber nicht präzisiert (bezüglich welcher Verteilung? Bezüglich Testfehler des Ensembles gleicher Größe oder des Grenz-Ensembles?). Prüfer wird nachfragen.	Erwartungstreue kurz definieren: OOB liefert eine Schätzung des Testfehlers eines Ensembles derselben Größe, weil jeder Datenpunkt im Mittel von etwa ein Drittel der Bäume nicht gesehen wurde. Notfalls im Vortrag frei erklären, im Manuskript ist der Halbsatz vertretbar.
3	Hoch	4.3 (Dekorrelation)	Der zentrale Random-Forest-Zusammenhang „Ensemblefehler hängt von Strength und Korrelation ab” wird verbal, aber ohne Formel wiedergegeben. Breiman gibt in Bre01 eine explizite obere Schranke $P{E}^{\star }\le \bar{\rho }(1-s^2)/s^2$. Ohne diese Formel wirkt das Argument bei Rückfrage dünn.	Entscheidung: Formel im Fließtext ergänzen (mit Cite Bre01 S. 8) oder für den Vortrag als Reserve-Folie parat halten. Ohne die Formel wird die Frage „Woher wissen Sie das?” schwer zu beantworten.
4	Hoch	3.5 (Pruning)	„Zweistufiger Post-Pruning-Ansatz” wird beschrieben, aber weder Cost-Complexity-Kriterium $R_\alpha(T) = R(T) + \alpha ,	T
5	Hoch	5.3 (Merkmalsauswahl)	Beam-Search, KS-Test und SMOTE werden knapp beschrieben, die algorithmischen Details fehlen: Was ist die Zielfunktion der Beam-Search? Warum p-Werte statt Effektstärke? Wird beim KS-Test für multiples Testen korrigiert? Bei SMOTE: warum lineare Interpolation und nicht Gauß-Störung?	Zu jedem Verfahren einen Satz mit dem exakten Kriterium (Beam-Search: Profit auf Validierungsdaten; KS: Bonferroni ja/nein) ergänzen; bei SMOTE Verweis auf 4.4 nutzen.
6	Hoch	5.4 (Ergebnisse)	„Algorithmische Merkmalsauswahl schlägt Expertenauswahl in allen Konfigurationen” — der Vergleich ist unfair, weil 4 Expertenmerkmale gegen Sets von 6–20 algorithmischen Merkmalen antreten. Prüfer wird die Fairness des Vergleichs infrage stellen.	Explizit thematisieren: Die algorithmischen Sets sind größer, aber auch das ist Teil des Befunds („mehr Merkmale automatisch auswählen ist besser als wenige handverlesene”). Alternativ: gab es im Original einen Vergleich bei gleicher Setgröße? Prüfen.
7	Hoch	5.4 (Profit-Formel)	Formel $Profit=TP\cdot ECUR-FP\cdot CPR-Investment$ enthält keine expliziten Kosten für False Negatives (verpasste Ausfälle). Prüfer: „Verpasste Ausfälle kosten doch am meisten — wo tauchen die auf?”	Erklärung nachtragen: FN sind implizit über den Verlust der $TP\cdot ECUR$-Ersparnis abgebildet, weil ein verpasster Ausfall = kein Alarm = keine Kostenreduktion. Für den Vortrag zwingend vorbereiten.
8	Hoch	3.4.2 (Gini vs. Entropy)	Kein Vergleich mit Information Gain / Entropy als alternatives Split-Kriterium. Prüfer wird fragen „Warum Gini und nicht Entropy?” Antwort ist im Manuskript nicht abgelegt.	Einen Satz ergänzen: „Gini und Entropy führen empirisch zu sehr ähnlichen Bäumen; BFOS84 wählt Gini wegen der rechnerisch einfacheren Quadratsummen-Form.” Beleg BFOS84 S. 103.
9	Hoch	5.2 (Datenaufteilung)	Behauptung „Fahrzeugweise Trennung, sonst systematische Überschätzung” wird nicht mit einer Zahl unterlegt. Prüfer: „Wie groß ist der Unterschied?”	Falls PNRB15 dazu Zahlen liefert, ergänzen; alternativ als „qualitative Aussage der Autoren” flaggen.
10	Mittel	3.2 (Impuritätsrahmen)	Die formalen Eigenschaften einer Impuritätsfunktion nach BFOS84 (Nicht-Negativität, Maximum bei Gleichverteilung, Konkavität) werden nicht benannt.	Kurze Aufzählung ergänzen (BFOS84 S. 24, Def. 2.5); erlaubt dem Autor bei Rückfrage die Klasse aller zulässigen Impuritätsfunktionen zu charakterisieren.
11	Mittel	2.2 (Binäre Splits)	Behauptung „ohne Verlust an Ausdrucksmächtigkeit, weil jede mehrwertige Aufteilung durch Folge binärer Splits ersetzbar” ist plausibel, aber unbelegt.	Beleg BFOS84 S. 28f. ist gesetzt — prüfen, ob dort die Aussage tatsächlich formal steht (Aufwand: 1 PDF-Blick). Andernfalls Formulierung entschärfen.
12	Mittel	4.3 (m_try)	Abbildung 4.3 zeigt $m_{\text{try}}=3$ bei $M=8$. Prüfer: „Wie wird $m_{\text{try}}$ in der Praxis gewählt?” — Antwort ($\sqrt{M}$ für Klassifikation, $M/3$ für Regression, Bre01) fehlt.	Faustregel ergänzen (Bre01 S. 12) oder für den Vortrag parat halten.
13	Mittel	4.4 (SMOTE)	Wahl $k=5$ als „typisch” — Beleg fehlt (CBHK02 S. 328).	Beleg prüfen und einfügen; sonst Formulierung „typischerweise” abmildern.
14	Mittel	3.5 ($N_{\min }$)	$N_{\min }=5$ „gelegentlich auf 1” — ist das noch heute übliche Praxis, oder aus BFOS84 1984? Prüfer könnte moderne Faustregeln erwarten (scikit-learn: $N_{\min }=2$).	Als historisch-methodische Aussage aus BFOS84 kennzeichnen; im Vortrag kurz auf moderne Defaults verweisen können.
15	Mittel	5.2 (Kreuzvalidierung)	„Zehn Wiederholungen und zehnfache Kreuzvalidierung” — warum genau zehn? Statistische Rechtfertigung fehlt.	Als Wahl der Autoren belegen (PNRB15 S. 142) und im Vortrag als Standard-Konvention einordnen können.
16	Mittel	5.4 (Statistische Signifikanz)	„Usage übertrifft Expert deutlich” — kein Konfidenzintervall, kein Signifikanztest genannt. Prüfer: „Ist das statistisch abgesichert?”	Falls PNRB15 Standardabweichungen oder Konfidenzintervalle liefert, ergänzen (Tab. 1 dort prüfen). Sonst als „Punktschätzungen ohne Signifikanztest der Autoren” flaggen.
17	Mittel	5.5 (Übertragbarkeit)	Drei Bedingungen für Übertragbarkeit werden genannt, aber ohne konkretes Beispiel eines gescheiterten Transfers.	Ergänzen oder für Vortrag ein Gegenbeispiel parat halten (z. B. seltene Ausfälle bei Nischenanlagen, wo Datengrundlage fehlt).
18	Niedrig	3.2 (Notation)	$	t
19	Niedrig	Abbildung 5.1 (Profit)	Legende „nProfit [EUR/Fzg]” nutzt Kurzform; auf einer Vortragsfolie wäre die Einheit auszuschreiben.	Für die Verteidigung ausgeschriebene Version bereithalten.
20	Info	6.3 (Ausblick)	Boosting/XGBoost wird nur als Ausblick genannt. Prüfer könnte fragen, warum das nicht Kern der Arbeit war.	Antwortlinie: Umfangsbegrenzung + Fallstudie basiert auf Random Forest, nicht Boosting. Für den Vortrag vorbereiten.
21	Info	Kap. 5 gesamt	Die Fallstudie wird durchgehend als Prytz et al. 2015 belegt — Prüfer könnte nach neueren Predictive-Maintenance-Studien fragen.	Antwortlinie: Bewusste Wahl einer publizierten Studie mit vollständiger wirtschaftlicher Bewertung; aktuelle Studien vermeiden oft die Kosten-Offenlegung.

---

Prüfungsfragen (Simulation Prof. Lohscheller / Frau Thomm)

Kapitel 1 — Einleitung

Frage 1

Meta	Wert
Fundstelle	Kap. 1.2, S. 2
Angriffsfläche	Hoch

Frage: „Sie klammern in der Einleitung Quinlans ID3 und C4.5 explizit aus, sprechen in der Zusammenfassung aber von zwei parallelen Entwicklungslinien mit Quinlan als eine davon. Was ist der tatsächliche Bearbeitungsumfang Ihrer Arbeit?”

Verteidigungslinie: Der tatsächliche Bearbeitungsumfang ist die Breiman-Linie (CART → Bagging → Random Forests → PNRB15-Fallstudie); Quinlan wird nicht behandelt. Die Zusammenfassung ist an dieser Stelle unpräzise formuliert und wird korrigiert.

Empfehlung: Vor Verteidigung Zusammenfassung 6.1 umformulieren (siehe Befund 1). Antwort mit „Sie haben Recht, das ist eine Unstimmigkeit in meiner Zusammenfassung, die ich vor Abgabe / im Errata korrigiere” — nicht verteidigen.

Frage 2

Meta	Wert
Fundstelle	Kap. 1.3, S. 3
Angriffsfläche	Mittel

Frage: „Warum diese sechs Primärquellen und nicht ein aktuelles Lehrbuch wie Hastie/Tibshirani/Friedman?”

Verteidigungslinie: Die Arbeit rekonstruiert bewusst den methodischen Bogen an den Originalquellen der Verfahrenserfinder, statt eine sekundäre Zusammenfassung zu paraphrasieren. Lehrbücher aggregieren, verlieren dabei aber die Argumentationsstruktur der Urheber. Gerade für eine Zulassungsarbeit ist die Auseinandersetzung mit der Primärliteratur der methodisch strengere Zugang.

Empfehlung: Keine — im Manuskript bereits so begründet (Abschnitt 1.3). Antwort direkt einsetzbar.

Frage 3

Meta	Wert
Fundstelle	Kap. 1.2, S. 2
Angriffsfläche	Mittel

Frage: „Sie klammern Boosting aus. Warum? Boosting ist heute in der Predictive Maintenance dominant.”

Verteidigungslinie: Die Fallstudie Prytz et al. 2015 setzt Random Forests ein, keinen Boosting-Ansatz; daher folgt der Verfahrensrahmen der Fallstudie. Boosting wird im Ausblick als natürliche Folgearbeit benannt.

Empfehlung: Für den Vortrag den Satz „XGBoost wäre die nächste konsequente Erweiterung” parat haben.

---

Kapitel 2 — Grundlagen

Frage 4

Meta	Wert
Fundstelle	Kap. 2.2, S. 5
Angriffsfläche	Mittel

Frage: „Sie schreiben, binäre Splits verlören keine Ausdrucksmächtigkeit, weil jede $k$-wertige Aufteilung durch eine Folge binärer Splits ersetzt werden könne. Beweisen Sie das.”

Verteidigungslinie: Ein $k$-wertiger kategorialer Split bei einem Merkmal mit Ausprägungen $\{a_1,\dots ,a_k\}$ lässt sich durch $k-1$ binäre Splits nachbilden: der erste Split trennt $\{a_1\}$ von $\{a_2,\dots ,a_k\}$, der zweite $\{a_2\}$ von $\{a_3,\dots ,a_k\}$ usw. Jeder erreichbare Endzustand des mehrwertigen Splits entspricht einem eindeutigen Blatt der binären Baumfolge. Bei stetigen Merkmalen entstehen mehrwertige Splits ohnehin nur durch mehrfache Schwellwertteilung, die per Konstruktion binär ist.

Empfehlung: Auf Notiz-Karte für Vortrag mitnehmen. Formell steht das Argument in BFOS84 S. 28f.

Frage 5

Meta	Wert
Fundstelle	Kap. 2.4, Abb. 2.4
Angriffsfläche	Niedrig

Frage: „Ihr Zeitstrahl beginnt 1912 bei Gini. Ist die Baumklassifikation wirklich 100 Jahre alt?”

Verteidigungslinie: Nein. 1912 ist das Publikationsjahr von Ginis statistischem Streuungsmaß, das später (BFOS84) für die Baumklassifikation adaptiert wurde. Die eigentliche Baumklassifikation beginnt mit CART 1984, was der Zeitstrahl in getrennten Boxen zeigt.

Empfehlung: Vorbereitet halten; im Text bereits sauber differenziert.

---

Kapitel 3 — Funktionsprinzipien

Frage 6

Meta	Wert
Fundstelle	Kap. 3.4.1, S. 12
Angriffsfläche	Hoch

Frage: „Sie geben drei Formen des Gini-Index an (Gleichung 5, 6, 7). Leiten Sie mir Gleichung 6 aus Gleichung 5 her.”

Verteidigungslinie: Ausgangspunkt Gleichung 5: $i(t)={\sum }_{i\ne j}p(i|t)p(j|t)$. Umformung: ${\sum }_{i\ne j}{p}_i{p}_j=\left({\sum }_i{p}_i\right)\left({\sum }_j{p}_j\right)-{\sum }_i{p}_i^2=1\cdot 1-{\sum }_i{p}_i^2=1-{\sum }_i{p}_i^2$. Das ist die rechte Seite von Gleichung 6. Alternativ zeigt Gleichung 6 links, dass ${\sum }_j{p}_j(1-p_j)={\sum }_j{p}_j-{\sum }_j{p}_j^2=1-{\sum }_j{p}_j^2$ direkt.

Empfehlung: Auf Notiz-Karte für Vortrag; die Herleitung muss frei gehen. Zwei Zeilen — sitzt oder sitzt nicht.

Frage 7

Meta	Wert
Fundstelle	Kap. 3.4.1, Gleichung 7
Angriffsfläche	Mittel

Frage: „Sie schreiben für den Zwei-Klassen-Fall $i(t)=2p_1{p}_2$. Zeigen Sie, dass das mit Gleichung 6 konsistent ist.”

Verteidigungslinie: Gleichung 6 im Zwei-Klassen-Fall: $i(t)=p_1(1-p_1)+p_2(1-p_2)$. Mit $p_2=1-p_1$ folgt $p_1{p}_2+p_2{p}_1=2p_1{p}_2$. Das ist Gleichung 7.

Empfehlung: Kurz — sitzt automatisch, wenn Frage 6 sitzt.

Frage 8

Meta	Wert
Fundstelle	Kap. 3.4, gesamt
Angriffsfläche	Hoch

Frage: „Warum Gini-Index und nicht Entropy als Split-Kriterium? Was ist der Unterschied?”

Verteidigungslinie: Beide sind Impuritätsfunktionen, beide sind konkav und haben Maximum bei Gleichverteilung. Empirisch führen sie in der Regel zu sehr ähnlichen Bäumen (BFOS84 diskutiert das explizit). CART wählt Gini, weil dessen Quadratsummen-Form ohne Logarithmen auskommt und rechnerisch günstiger ist; C4.5 wählt Entropy als Fortsetzung der Shannon-Informationstheorie.

Empfehlung: Antwort in Manuskript aufnehmen (Befund 8) oder mindestens für Vortrag vorbereiten.

Frage 9

Meta	Wert
Fundstelle	Kap. 3.4, S. 13
Angriffsfläche	Mittel

Frage: „Der Gini-Index kennt keine fehlenden Werte. Wie geht CART damit um?”

Verteidigungslinie: CART nutzt Surrogate-Splits: Für jeden gewählten Split werden Ersatz-Splits auf anderen Merkmalen gesucht, die den primären Split am besten nachahmen; bei fehlendem Merkmalswert für den primären Split greift der beste Surrogate (BFOS84 Kap. 5.3). In dieser Arbeit nicht behandelt, aber Teil des Vollverfahrens.

Empfehlung: Als „bewusste Auslassung wegen Umfangsbegrenzung” flaggen können.

Frage 10

Meta	Wert
Fundstelle	Kap. 3.5 (Pruning)
Angriffsfläche	Kritisch

Frage: „Sie erwähnen Cost-Complexity-Pruning als Namensgeber. Wie funktioniert der Algorithmus konkret? Was ist der Kostenkomplexitätsparameter?”

Verteidigungslinie: Definiere $R_{\alpha }(T)=R(T)+\alpha \cdot |T|$, wobei $R(T)$ die Fehlklassifikationsrate des Baums $T$ und $|T|$ die Anzahl seiner Blätter ist. $\alpha \ge 0$ ist der Komplexitätsstrafparameter: klein → großer Baum, groß → kleiner Baum. Für jedes $\alpha$ existiert ein eindeutiger kleinster Teilbaum $T(\alpha )$, der $R_{\alpha }$ minimiert. Der Weakest-Link-Algorithmus erzeugt eine endliche Sequenz $\{T_1\supset T_2\supset \dots \supset \{t_1\}\}$ mit zugehörigen $\alpha$-Werten; aus dieser Sequenz wird über Kreuzvalidierung der beste Baum ausgewählt.

Empfehlung: Zwingend im Manuskript ergänzen (Befund 4) oder wenigstens Reservefolie mit $R_{\alpha }$-Definition. Fehlt diese Antwort komplett, ist Kap. 3.5 unverteidigbar.

Frage 11

Meta	Wert
Fundstelle	Kap. 3.5, S. 15
Angriffsfläche	Mittel

Frage: „Sie schreiben $N_{\min }=5$ ist üblich. Was macht man heute?”

Verteidigungslinie: Der Wert stammt aus BFOS84 1984. Moderne Implementierungen (scikit-learn: min_samples_leaf=1, min_samples_split=2 als Default) setzen niedrigere Werte, insbesondere in Random Forests, weil das Ensemble die Überanpassung einzelner Bäume ausgleicht.

Empfehlung: Als Fußnote / Vortragswissen — kein Manuskript-Änderungsbedarf.

---

Kapitel 4 — Ensembleverfahren

Frage 12

Meta	Wert
Fundstelle	Kap. 4.1, S. 17
Angriffsfläche	Mittel

Frage: „Sie nennen $k$-nächste-Nachbarn-Regression stabil. Warum?”

Verteidigungslinie: Bei $k$-NN hängt die Vorhersage eines Punkts $x$ nur von seinen $k$ nächsten Trainingsnachbarn ab. Änderung eines einzelnen Trainingspunkts kann höchstens für Punkte in dessen unmittelbarer Nachbarschaft die Vorhersage ändern, für alle anderen Punkte bleibt sie identisch. Bei CART hingegen kann eine geänderte Wurzel-Split-Wahl die gesamte Baumstruktur umkrempeln.

Empfehlung: Vorbereitet halten; steht so bei Bre96b.

Frage 13

Meta	Wert
Fundstelle	Kap. 4.2 (Bagging)
Angriffsfläche	Hoch

Frage: „Warum reduziert Mittelung mehrerer Bäume den Fehler? Zerlegen Sie mir das über Bias und Varianz.”

Verteidigungslinie: Für einen Prädiktor $\hat{f}$ zerlegt sich der erwartete quadratische Fehler in ${\text{Bias}}^2+\text{Var}+{\sigma }^2$. Die Aggregation über $B$ unabhängige Bootstrap-Bäume ändert den Bias nicht (jeder Baum ist im Erwartungswert derselbe Klassifikator), reduziert aber die Varianz: für unkorrelierte Bäume um Faktor $1/B$, für korrelierte Bäume um Faktor $\rho +(1-\rho )/B$, wobei $\rho$ die paarweise Korrelation ist. Bei instabilen Basisverfahren (CART) ist die Varianz groß, die Reduktion daher wirksam; bei stabilen Verfahren ($k$-NN) ist die Varianz bereits klein, Bagging bringt wenig.

Empfehlung: Zwingend für Vortrag vorbereiten. Formel muss frei gehen — sitzt oder sitzt nicht.

Frage 14

Meta	Wert
Fundstelle	Kap. 4.3 (Random Forests), S. 19
Angriffsfläche	Kritisch

Frage: „Sie schreiben, der Ensemblefehler hängt von Stärke und Korrelation ab. Wie genau? Nennen Sie die Formel.”

Verteidigungslinie: Breiman gibt in Bre01 (Theorem 2.3, S. 8) die obere Schranke $P{E}^{\star }\le \bar{\rho }(1-s^2)/s^2$, wobei $s$ die durchschnittliche Stärke der Einzelbäume und $\bar{\rho }$ die mittlere Korrelation zwischen zwei Bäumen bezüglich der Randomisierung ist. Konsequenz: Sinkt $\bar{\rho }$ (z. B. durch zufällige Merkmalsauswahl), sinkt die Schranke — auch wenn $s$ leicht sinkt, überwiegt der Effekt.

Empfehlung: Zwingend Reservefolie mit dieser Formel. Ohne die Formel wird die Frage „Woher wissen Sie das?” zum Prüfungsrisiko (siehe Befund 3).

Frage 15

Meta	Wert
Fundstelle	Kap. 4.3, S. 19
Angriffsfläche	Hoch

Frage: „Sie schreiben, die OOB-Fehlerschätzung ist erwartungstreu. Erwartungstreu bezüglich was?”

Verteidigungslinie: Erwartungstreu bezüglich des Testfehlers eines Random Forests derselben Größe: Weil jeder Trainingspunkt im Mittel von etwa einem Drittel der Bäume nicht in der Bootstrap-Stichprobe gezogen wurde, wird seine Vorhersage von nur diesen „für ihn ungesehenen” Bäumen gebildet. Diese Vorhersage entspricht statistisch dem, was ein neuer, unabhängiger Testpunkt in einem Forest gleicher Größe erwarten würde. Bei $k$-facher Kreuzvalidierung dagegen wird jedes Fold-Modell auf nur $(k-1)/k$ der Daten trainiert, weshalb dessen Fehler den Fehler des Vollmodells systematisch überschätzt.

Empfehlung: Zwingend vorbereiten (Befund 2). Präzision entscheidend.

Frage 16

Meta	Wert
Fundstelle	Kap. 4.3, S. 19
Angriffsfläche	Mittel

Frage: „Woher stammt das ‚etwa ein Drittel‘ bei OOB?”

Verteidigungslinie: Bei Bootstrap mit Zurücklegen aus $N$ Datenpunkten ist die Wahrscheinlichkeit, dass ein bestimmter Datenpunkt in einer Ziehung nicht gezogen wird, $(1-1/N)$. Über $N$ Ziehungen: $(1-1/N{)}^N\to e^{-1}\approx 0,368$ für $N\to \infty$. Also verbleiben im Mittel rund 36,8 % der Datenpunkte außerhalb jeder Bootstrap-Stichprobe.

Empfehlung: Kurze Herleitung, für Vortrag zwingend.

Frage 17

Meta	Wert
Fundstelle	Kap. 4.3, Abb. 4.3
Angriffsfläche	Mittel

Frage: „In Ihrer Abbildung wählen Sie $m_{\text{try}}=3$ bei $M=8$. Wie wählt man $m_{\text{try}}$ in der Praxis?”

Verteidigungslinie: Breiman empfiehlt in Bre01 als Faustregel $m_{\text{try}}=\lfloor \sqrt{M}\rfloor$ für Klassifikation und $m_{\text{try}}=\lfloor M/3\rfloor$ für Regression. Bei $M=8$ liefert $\lfloor \sqrt{8}\rfloor =2$ oder $3$ — die Abbildung ist damit im Rahmen.

Empfehlung: Für Vortrag vorbereiten; Manuskript-Ergänzung optional (Befund 12).

Frage 18

Meta	Wert
Fundstelle	Kap. 4.4 (SMOTE)
Angriffsfläche	Mittel

Frage: „Warum SMOTE und nicht einfaches Oversampling durch Verdopplung von Minderheitsbeispielen?”

Verteidigungslinie: Reines Oversampling durch Duplikation vergrößert das Gewicht bestehender Minderheitspunkte, verändert aber ihre Verteilung nicht — das Modell tendiert zur Überanpassung auf diese wenigen Punkte. SMOTE erzeugt durch Interpolation neue synthetische Punkte im Merkmalsraum zwischen den Nachbarn und verbreitert damit die Entscheidungsregion der Minderheitsklasse, was Chawla et al. (CBHK02) empirisch als überlegen zeigen.

Empfehlung: Vorbereitet halten; steht so in CBHK02.

---

Kapitel 5 — Fallstudie PNRB15

Frage 19

Meta	Wert
Fundstelle	Kap. 5.1
Angriffsfläche	Mittel

Frage: „Warum genau diese Fallstudie? Es gibt neuere Predictive-Maintenance-Studien.”

Verteidigungslinie: Die Studie erfüllt drei Auswahlkriterien: (1) publiziert in einer peer-reviewed Konferenz mit vollständiger Methodenbeschreibung; (2) reale industrielle Betriebsdaten (nicht Simulationsdaten); (3) explizite wirtschaftliche Bewertung in Euro, die den Modellwert quantifiziert — was in vielen Nachfolgestudien fehlt, weil Hersteller die Kosten nicht offenlegen. Die Verfahrensbausteine (RF, SMOTE, KS-Test, Beam-Search) sind zeitlos.

Empfehlung: Vorbereitet halten; kann als Fallstudienauswahl-Rechtfertigung überzeugen.

Frage 20

Meta	Wert
Fundstelle	Kap. 5.1, S. Kontext
Angriffsfläche	Niedrig

Frage: „Sie nennen 1000 Euro pro Tag als Ausfallkosten. Was ist die Quelle im Original?”

Verteidigungslinie: PNRB15 S. 142, M4 — Zitat übernommen von Prytz et al., die die Zahl für europäische Langstrecken-LKW angeben. Kein eigener Beleg der Arbeit, sondern paraphrasiert aus der Primärquelle.

Empfehlung: Direkt einsetzbar; steht im Text.

Frage 21

Meta	Wert
Fundstelle	Kap. 5.2
Angriffsfläche	Hoch

Frage: „Sie schreiben, ohne fahrzeugweise Trennung würde die Vorhersagegüte systematisch überschätzt. Wie groß ist der Effekt?”

Verteidigungslinie: Die Autoren belegen den Effekt qualitativ, geben aber im Text keine quantitative Differenz zwischen zufälliger und fahrzeugweiser Aufteilung an. Der Mechanismus ist klar: dieselbe Fahrzeug-ID kann in Training und Test auftauchen, wodurch fahrzeugspezifische Rauschmuster (individuelle Fahrer, individueller Wartungsstil) in beiden Sets vorkommen und die Vorhersage künstlich stärkt.

Empfehlung: Als „qualitative Aussage der Autoren” flaggen (Befund 9). Vor Verteidigung PNRB15 S. 143 nochmal auf Zahlen prüfen.

Frage 22

Meta	Wert
Fundstelle	Kap. 5.3 (Merkmalsauswahl)
Angriffsfläche	Hoch

Frage: „Erklären Sie mir die Beam-Search präzise. Was ist die Zielfunktion, was ist der Beam?”

Verteidigungslinie: Beam-Search ist eine heuristische Erweiterung der Greedy-Vorwärtsauswahl. Zielfunktion: Vorhersagegüte des Random Forests auf einer Validierungsmenge (bei PNRB15 auf Basis der Kreuzvalidierung). Beam-Weite $B=5$: In jeder Iteration werden die $B$ besten Merkmalsmengen der vorherigen Iteration jeweils um ein weiteres Merkmal erweitert; von allen entstehenden Kandidaten werden wieder die $B$ besten weiterverfolgt. Der Beam ersetzt die reine Greedy-Wahl durch eine begrenzte Breitensuche, ohne die exponentielle Kombinatorik der Voll-Suche auszuführen.

Empfehlung: Zwingend vorbereiten (Befund 5). Bei „Was ist die Zielfunktion?” darf keine Lücke entstehen.

Frage 23

Meta	Wert
Fundstelle	Kap. 5.3, S. 26
Angriffsfläche	Hoch

Frage: „Kolmogorov-Smirnov-Test: Zwei Verteilungen, ein p-Wert. Wie funktioniert der Test, und wieso p-Wert und nicht Effektstärke?”

Verteidigungslinie: Der KS-Test vergleicht die empirischen Verteilungsfunktionen $F_1$ und $F_2$ zweier Stichproben; Teststatistik ist $D={\sup }_x|F_1(x)-F_2(x)|$. Unter der Nullhypothese „gleiche Verteilung” ist die Verteilung von $D$ tabelliert. Der p-Wert misst, wie unwahrscheinlich der beobachtete Wert unter der Nullhypothese wäre. Vorteil bei PNRB15: keine Verteilungsannahme (nichtparametrisch), einheitlich anwendbar auf die 1250 heterogenen Merkmale.

Nachhak-Frage: „Wird für multiples Testen korrigiert?” — Antwort: Im Manuskript nicht belegt; PNRB15 wählen nur die Merkmale mit den niedrigsten p-Werten (Ranking, kein Signifikanzschluss), daher ist Bonferroni-Korrektur nicht nötig.

Empfehlung: Definition der Teststatistik $D$ als Notiz-Karte für Vortrag. Multiple-Testing-Antwort vorbereiten.

Frage 24

Meta	Wert
Fundstelle	Kap. 5.4, Profit-Formel
Angriffsfläche	Kritisch

Frage: „In Ihrer Profit-Formel tauchen TP und FP auf, aber keine False Negatives. Ein verpasster Ausfall ist doch ökonomisch am teuersten — wo bildet Ihre Formel das ab?”

Verteidigungslinie: Die Formel modelliert die Ersparnis gegenüber dem Status quo (keine Vorhersage): $TP\cdot ECUR$ ist der eingesparte Mehrkostenaufwand, den ein korrekt vorhergesagter Ausfall vermeidet; $FP\cdot CPR$ ist der Zusatzaufwand für unnötige geplante Reparaturen. False Negatives verursachen implizit Kosten, indem sie nicht zur Ersparnis beitragen: ein verpasster Ausfall = kein $TP$ = keine $ECUR$-Ersparnis. Der Status-quo-Ausfallschaden ist bereits in der Baseline enthalten, gegen die Profit misst.

Empfehlung: Zwingend für Vortrag vorbereiten (Befund 7). Manuskript-Ergänzung eines Satzes empfohlen.

Frage 25

Meta	Wert
Fundstelle	Kap. 5.4, S. Ergebnisse
Angriffsfläche	Hoch

Frage: „Sie behaupten, algorithmische Merkmalsauswahl schlägt Expertenauswahl in allen Konfigurationen. Aber die Expertenauswahl hat vier Merkmale, die algorithmischen deutlich mehr. Ist der Vergleich fair?”

Verteidigungslinie: Der Vergleich ist bewusst asymmetrisch, weil er die realistische Praxissituation abbildet: Ein Domänenexperte wählt eine kleine, kognitiv handhabbare Menge; ein datengetriebener Ansatz kann größere Sets verarbeiten. Der Befund ist damit doppelt zu lesen: (a) algorithmische Auswahl liefert bessere Ergebnisse als menschliche Handauswahl, (b) und profitiert davon, mehr Merkmale einbinden zu können. Die eigentliche Botschaft der Autoren ist nicht „Algorithmen sind schlauer”, sondern „ein breiter Merkmalspool + Auswahlalgorithmus ist der bessere Weg als ein enger Expertenpool”.

Empfehlung: Vorbereitet halten (Befund 6); die Antwort ist überzeugend, wenn sie sofort kommt.

Frage 26

Meta	Wert
Fundstelle	Kap. 5.4, Abb. 5.1
Angriffsfläche	Mittel

Frage: „Die Profit-Werte in Ihrer Abbildung — sind das Punktschätzungen oder mit Konfidenzintervallen belegt?”

Verteidigungslinie: Die Autoren berichten in Tab. 1 der Studie Punktschätzungen ohne Konfidenzintervalle; die zehnfache Kreuzvalidierung wird mit zehn Wiederholungen durchgeführt, was Standardabweichungen erlauben würde, die Autoren aber nicht ausweisen. Für die Robustheit der Rangfolge (Usage/Beam~1 vor Expert) sprechen die Größenordnungen der Differenzen — für eine strenge Signifikanzaussage fehlt aber die statistische Absicherung im Original.

Empfehlung: Vor Verteidigung PNRB15 Tab. 1 nochmal auf Standardabweichungen prüfen (Befund 16).

Frage 27

Meta	Wert
Fundstelle	Kap. 5.4 (Usage vs. Wear)
Angriffsfläche	Mittel

Frage: „Sie erklären, dass Usage-Merkmale mehr beitragen als Wear-Merkmale, weil Wear mit dem Alter korreliert ist. Ist das nicht ein Zirkelschluss — beide beschreiben Verschleiß?”

Verteidigungslinie: Nein, die Autoren unterscheiden konzeptionell: Wear-Merkmale messen den bisherigen Verschleißzustand (Sensormesswerte, Verschleißindikatoren), Usage-Merkmale den Nutzungskontext (Fahrprofil, Beladung, Streckenprofil). Die Prognosekraft von Wear wird bereits von Kilometerstand/Betriebsstunden absorbiert, weshalb Usage-Merkmale die dann noch verbleibende Varianz aufklären.

Empfehlung: Direkt einsetzbar aus Kap. 5.4.

Frage 28

Meta	Wert
Fundstelle	Kap. 5.5 (Übertragbarkeit)
Angriffsfläche	Mittel

Frage: „Nennen Sie eine Domäne, in der die PNRB15-Methodik nicht übertragbar wäre.”

Verteidigungslinie: Beispiele: (a) Kleinserien-Anlagen mit wenigen Ausfällen historisch (Datengrundlage fehlt); (b) sicherheitskritische Systeme mit regulatorischer Erklärbarkeitspflicht (Black-Box-Random-Forest nicht zulässig); (c) Systeme mit sehr langsamen Verschleißprozessen relativ zum Ausleseintervall (siehe Wear-Argument der Autoren).

Empfehlung: Ein Gegenbeispiel als Notiz-Karte (Befund 17).

---

Kapitel 6 — Zusammenfassung

Frage 29

Meta	Wert
Fundstelle	Kap. 6.1
Angriffsfläche	Kritisch

Frage: „Sie schreiben ‚zwei parallele Entwicklungslinien: die Arbeiten von Quinlan mit ID3 und C4.5 sowie die für den weiteren Verlauf dieser Arbeit maßgeblichen Arbeiten von Breiman’. Wo behandeln Sie Quinlan?”

Verteidigungslinie: Nirgends — das ist ein Formulierungsfehler in der Zusammenfassung. Die Arbeit behandelt ausschließlich die Breiman-Linie; Quinlan wird in der Einleitung explizit als ausgeklammert gekennzeichnet. Die Zusammenfassung muss entsprechend korrigiert werden.

Empfehlung: Zwingend Manuskript-Änderung vor Verteidigung (Befund 1). Wenn Prüfer diesen Widerspruch findet, ist Verteidigung nur möglich mit dem Eingeständnis „Formulierungsfehler”. Besser: vorher weg.

Frage 30

Meta	Wert
Fundstelle	Kap. 6.3 (Ausblick)
Angriffsfläche	Info

Frage: „Sie nennen Boosting im Ausblick. Wenn Sie die Arbeit heute nochmal schreiben würden — würden Sie Boosting statt Random Forests wählen?”

Verteidigungslinie: Für die Fallstudie nein, weil PNRB15 als Vertreter der industriellen RF-Anwendung gewählt wurde und der Verfahrensrahmen der Studie folgt. Als Erweiterungs-Kapitel wäre XGBoost inhaltlich reizvoll, würde aber den Umfang einer Zulassungsarbeit sprengen — für eine Projekt- oder Masterarbeit denkbar.

Empfehlung: Vorbereitet halten; nutzt die Themenabgrenzung der Einleitung.

---

Priorisierte Vorbereitungsliste vor Verteidigung

1. Kritisch — vor Abgabe beheben:

   • Zusammenfassung 6.1: Quinlan-Nennung entfernen oder korrekt kontextualisieren (Befund 1)
   • Cost-Complexity-Pruning-Formel in 3.5 ergänzen (Befund 4)
   • Ensemble-Fehler-Schranke in 4.3 ergänzen ODER als Reservefolie (Befund 3)
   • FN-Erklärung in 5.4 als Satz ergänzen (Befund 7)

2. Hoch — mündlich sicher beherrschen:

   • Gini-Herleitung Gl. 5 → Gl. 6 (Frage 6)
   • Bias-Varianz-Zerlegung Bagging (Frage 13)
   • OOB-Erwartungstreue präzise formulieren (Frage 15)
   • Beam-Search-Zielfunktion + Beam-Mechanik (Frage 22)
   • KS-Teststatistik $D=\sup |F_1-F_2|$ (Frage 23)
   • Profit-Formel: FN-Argument (Frage 24)
   • Expert-vs.-Algorithmus-Fairness (Frage 25)

3. Mittel — Notiz-Karten vorbereiten:

   • Entropy vs. Gini (Frage 8)
   • Surrogate-Splits (Frage 9)
   • $m_{\text{try}}$-Faustregel (Frage 17)
   • $\sim$1/3-OOB-Herleitung (Frage 16)
   • Übertragbarkeits-Gegenbeispiel (Frage 28)

---

Zusammenfassung

Die Arbeit hat eine solide Belegkette und einen sauber gebauten methodischen Bogen; die Verteidigungsfähigkeit ist grundsätzlich gegeben. Die Angriffsflächen liegen an drei Fronten: (a) Formeln, die im Text nur verbal wiedergegeben werden, aber im Vortrag zwingend frei skizzierbar sein müssen (Ensemble-Schranke, Cost-Complexity, Bias-Varianz); (b) algorithmische Details der Fallstudien-Bausteine (Beam-Search, KS-Test), die knapp beschrieben, aber prüfungsrelevant sind; (c) eine inhaltliche Inkonsistenz zwischen Einleitung und Zusammenfassung, die vor Abgabe zu bereinigen ist. Bei konsequenter Vorbereitung der 30 aufgeführten Fragen ist die Verteidigung mit hoher Wahrscheinlichkeit erfolgreich abzuschließen.

Befund-Statistik:

• Kritisch: 3 (Befunde 1, 4 als Nr. 4/10; Frage 10, 14, 24, 29)
• Hoch: 8 (Befunde 2, 3, 5, 6, 7, 8, 9 sowie Fragen 6, 13, 15, 21, 22, 23, 25)
• Mittel: 8 (Befunde 10–17)
• Niedrig: 2 (Befunde 18, 19)
• Info: 2 (Befunde 20, 21)

Zusammenhänge

• 05_Anwendung
• 04_Ensembleverfahren
• 03_Funktionsprinzipien
• Framework: FRAMEWORK
• Reviewer-Definition: verteidigungs_pruefer