Das in dieser Arbeit vorgestellte Klassifikationsverfahren basiert auf Methoden der kombinatorischen Optimierung und partitioniert einen geometrischen Raum in konvexe Mengen vorgeschriebener Anzahl und Größe. Im Anschluss an die theoretischen Grundlagen wird ein darauf aufbauender Vorhersagealgorithmus vorgestellt und mit etablierten Methoden verglichen. Die darin enthaltene iterative Sequenz besteht in jedem Schritt aus einem geometrischen Clustering und führt schließlich zu einer Aufteilung des Raumes. Basierend auf dieser Zerlegung in konvexe Zellen werden binäre Klassifikatoren definiert sowie ein neuer wahrscheinlichkeitstheoretischer Ansatz zur Beurteilung der Prognosegüte vorgestellt. Die hervorragende Prognosegenauigkeit des neuen Verfahrens wird im letzten Schritt anhand von bekannten Praxisdatensätzen analysiert. Dabei wird neben dem Vergleich mit anderen Algorithmen auch die vorgestellte stochastische Beurteilungsmethode einer clusterbasierten Vorhersage demonstriert.    «

Das in dieser Arbeit vorgestellte Klassifikationsverfahren basiert auf Methoden der kombinatorischen Optimierung und partitioniert einen geometrischen Raum in konvexe Mengen vorgeschriebener Anzahl und Größe. Im Anschluss an die theoretischen Grundlagen wird ein darauf aufbauender Vorhersagealgorithmus vorgestellt und mit etablierten Methoden verglichen. Die darin enthaltene iterative Sequenz besteht in jedem Schritt aus einem geometrischen Clustering und führt schließlich zu einer Aufteilung de...    »