Verlustfunktion (Statistik)

aus Wikipedia, der freien Enzyklopädie
Dies ist die aktuelle Version dieser Seite, zuletzt bearbeitet am 10. Dezember 2024 um 14:22 Uhr durch Horst Gräbner (Diskussion | Beiträge) (Änderungen von 84.156.103.197 (Diskussion) auf die letzte Version von Manu.Shareghi zurückgesetzt).
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Zur Navigation springen Zur Suche springen
Darstellung der Verlustfunktion

Eine Verlustfunktion (engl. loss function) ist eine spezielle Funktion in der mathematischen Statistik und Teil eines statistischen Entscheidungsproblemes. Sie ordnet jeder Entscheidung in Form einer Punktschätzung, einer Bereichsschätzung oder eines Tests den Schaden zu, der durch eine vom wahren Parameter abweichende Entscheidung entsteht. Gemeinsam mit der Entscheidungsfunktion wird die Verlustfunktion zur Risikofunktion kombiniert, die den potentiellen Schaden bei Verwendung einer Entscheidungsfunktion angibt.

Gegeben sei ein statistisches Modell und ein Entscheidungsraum . Dann heißt eine Funktion eine Verlustfunktion, wenn für jedes fixierte die Funktion -messbar ist. Das L steht dabei für loss, englisch für Verlust.

Die Verlustfunktion gibt den Verlust bei Vorliegen des Parameters an, wenn man sich für entscheidet.

Klassische Verlustfunktionen

[Bearbeiten | Quelltext bearbeiten]

Gegeben sei die Parameterfunktion von der Parametermenge in die Entscheidungsmenge , also und eine Norm auf der Entscheidungsmenge. Meist ist .

Eine typische Verlustfunktion ist dann

für ein .

Im Rahmen der Probabilistischen Klassifikation können Scoring rules als Verlustfunktion eingesetzt werden.

Laplace-Verlust

[Bearbeiten | Quelltext bearbeiten]

Ist , also

,

so spricht man vom Laplace-Verlust.

Bei Wahl des Laplace-Verlusts die L-Unverfälschtheit zur Median-Unverfälschtheit und die Risikofunktion zum Mittleren betraglichen Fehler.

Ist , also

,

so spricht man vom Gauß-Verlust.

Wählt man in der Schätztheorie den Gauß-Verlust, so vereinfacht sich die L-Unverfälschtheit zur Erwartungstreue und die Risikofunktion zum mittleren quadratischen Fehler.

Eine weitere wichtige Verlustfunktion ist der sogenannte 0-1-Verlust. Er ist definiert als

für ein . Er bestraft alle Entscheidungen, die nahe genug an der „richtigen“ Entscheidung liegen, überhaupt nicht und alle, die einen gewissen Abstand zu ihr überschreiten, gleich stark. Im Rahmen von den mengenwertigen Bereichsschätzern wird der 0-1-Verlust dann auch definiert als

,

da die Entscheidungen dann Mengen und keine einzelnen Werte mehr sind.

Neyman-Pearson-Verlustfunktion

[Bearbeiten | Quelltext bearbeiten]

Für statistische Tests verwendet man eine Abwandlung des 0-1-Verlustes, die sogenannten Neyman-Pearson-Verlustfunktion. Ist eine Zerlegung des Parameterraumes in Hypothese und Alternative sowie die Entscheidung für die Hypothese und die Entscheidung für die Alternative, so wird die Verlustfunktion definiert durch

.

Dabei ist . entspricht dann dem Verlust bei einem Fehler 1. Art, bei einem Fehler 2. Art.