Die Transformation experimenteller Verteilungen durch eine Self-Organizing Feature Map

Invielen Föllen entspricht die Verteilung von empirisch erhobenen Daten nicht einer Normalverteilung. Um eine vergleichbare Slcalierung der Daten zu effeichen, ist eine Transformation in eine Normalverteilung oder zumindest in eine symmetrische Verteilung notwendig. Desweiteren basieren viele statistische verfahren auf der Annahme einer Normalverteilung. Die Bestimmung einer geeigneten Transformation beinhaltet typischerweise einen "trial and error" Prozefi oder benötigt die Erfahrung eines Experten. In diesem Bericht wird eine Methode beschrieben, mit der es möglich ist, durch d.en Einsatz einer SelfOrganizing Feature Map den AuswahlprozeJ| zu automatisieren. Zur Prädiktton einer Transformation wurde der Lernalgoritlvruts der Feature Map modffiziert. Erste Ergebnßse lnben gezeigt, dafi die Feature Map in der Lage ist, die Verteilungen des Trainingsdatensatzes in eine Normalverteilung zu transformieren. Auchfür neue Verteilungen, die d.as system nicht gerernt hat, prädiziert das Modeil geeignete T r ansfo rmat i o nsp ar ame t e r, w o dur c h s e t ne F ö hi g ke i t z tr G e ne ra I i s i er un g deutlichwird.