Neuronale Netze

[FSE], komplexes computergestütztes, exploratives statistisches Datenanalyseverfahren, das sich an den Merkmalen neuronaler Verarbeitungsprozesse orientiert (Neuron). Grundlegend ist das Stimulus-Organismus-Response-Modell (SOR; Stimulus-Response- und Stimulus-Organism-Response-Modelle): Reize werden durch einen Organismus verarbeitet, sodass eine zielegerichtete Reaktion erfolgen kann. Innerhalb der Organismuseinheit werden Umweltreize durch Rezeptoren codiert und neuronal verarbeitet. Diese neuronale Verarbeitung im neuronalen Netz wirkt auf die Reizselektion (z. B. selektive Aufmerksamkeit) zurück. Zudem werden responsedeterminierende Effektoren über das neuronale Verarbeitungsergebnis «informiert». Die Effektoren bestimmen − vermittelt durch die Arbeitsergebnisse des neuronalen Netzes −  die Response des Organismus auf den Reizinput. Zudem projizieren die Effektoren direkte Informationen an das neuronale Netz zurück, bevor die Response erfolgt, um die Handlungsausführung zu optimieren. Die Gewinnung von Wissen und neuronales Lernen erfolgen nach diesem Modell dadurch, dass die Verarbeitung im neuronalen Netz Reizantworten erzeugt, die dann hinsichtlich ihrer Güte evaluiert werden. Verarbeitungsmerkmale, die einen adäquaten bzw. gewünschten Einfluss auf die Umwelt haben, werden verstärkt. Dysfunktionale Verarbeitungselemente werden nicht verstärkt oder gehemmt. Das stat. Verfahren der neuronalen Netze simuliert diese Arbeitsweise wie folgt: Es werden Einzelelemente def., die versch. Zustände annehmen können (Entsprechung: Neuron bzw. neuronale Aktivität). Diese Einzelelemente sind miteinander verknüpft (Entsprechung: synaptische Verbindung; Synapse) und bilden ein komplexes Netzwerk. Dieses Netzwerk erhält Dateninformationen (Entsprechung: Umweltreize) und erzeugt einen Output (feedforward-Verarbeitung), dessen empirische Passung an das neuronale Netz zurückgemeldet (feedback-Verarbeitung) wird. Die Struktur des Netzwerks − und damit das neuronale repräsentierte Wissen − ist durch die Gewichte der Verbindungen zw. den Einzelelementen (Assoziationsstärke) festgelegt. Diese Gewichte werden in einem datenbasierten Trainingsprozess optimal i. S. der Datenprognose suzessive «erfahrungsbasiert» angepasst. Die Anwendung neuronaler Netze ist bspw. im SPSS-Modul Clementine implementiert und stellt eine typische Methode des Data Mining dar.