Business Analytics an der TU München

Karteikarten und Zusammenfassungen für Business Analytics an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Business Analytics an der TU München.

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Leave one out

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Bootstrap

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

MOdel Selection

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Model Selection and Model Assessment

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Comparing Error rates

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Supervised learning

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

5) Expected value of the residual vector, given 𝑋, is 0 (𝐸 𝜀 𝑋 = 0)

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

1) linearity+ reformulations


Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Gauss markov and unbiased, consistent and efficient estimators

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

For an algorithm to be useful in a wide range of real-world
applications it must:

• Basic algorithm needs to be extended to fulfill these requirements

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Generalization errors

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

What is the random effects assumption?

Kommilitonen im Kurs Business Analytics an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Business Analytics an der TU München auf StudySmarter:

Business Analytics

Leave one out

𝑛-Fold Cross-Validation
𝑛 instances are in the data set
Use all but one instance for training
Each iteration is evaluated by predicting the omitted instance

• Advantages / Disadvantages
Maximum use of the data for training
Deterministic (no random sampling of test sets)
High computational cost
Non-stratified sample!

Business Analytics

Bootstrap

– sampling several times (replacement from training set to bootstrap set

– some observations more than once  

 

– bootstrap data set contains 𝑛 observations, sampled
with replacement from the original data set.
• Then the model is estimated on a bootstrap data set, and
predictions are made for original training set.
• This process is repeated many times and the resulting
statistics are averaged.

Business Analytics

MOdel Selection

Wide-spread methods for model selection are:

• Akaike Information Criterion (AIC)
• 𝐴𝐼𝐶 = 2𝑘 − 2 ln 𝐿 , already discussed in the context of log. regression
• 𝑘 is the number of parameters, ln(𝐿) the log likelihood
• Minimum description length (Risannen, 1978)
• discussed later in this class
• Resampling methods
• Cross validation, jackknife, bootstrap, etc.

Business Analytics

Model Selection and Model Assessment

Model selection: Estimating performances of different models to choose the
best one (produces the minimum of the test error)

Model assessment: Having chosen a model, estimating the prediction error
on new data

Business Analytics

Comparing Error rates

Choose lowest error rate

– 

Estimated error rate is just an estimate (random)
• Student’s paired 𝑡-test tells us whether the means of two samples are
significantly different
• Construct a 𝑡-test statistic
Need variance as well as point estimates

Business Analytics

Supervised learning

y^=f(x)

�y^yy223444

Supervised learning is inferring a function from labeled training data
Training: given a training set of labeled examples
estimate the prediction function 𝑓 by minimizing the prediction error on the
training set
Testing: apply 𝑓 to a never before seen test example 𝒙 and output the
predicted value ො𝑦 = 𝑓(𝒙)

Business Analytics

5) Expected value of the residual vector, given 𝑋, is 0 (𝐸 𝜀 𝑋 = 0)

Assumption: Other factors, which are not explicitely accounted for in the
model but are contained in 𝜀, are not correlated with 𝑋 (exogeneity)

• Endogeneity is given when an independent variable is correlated with the
error term and the covariance is not null

–> Probably omitted variable bias

Business Analytics

1) linearity+ reformulations


If not applicable –> reformulate

1) polynomial regressions (if curve in data) 

2) transform log if outliers

3) non linear with constant (ex Experten(..) if curve, but no negative turn

4) piecewise

Business Analytics

Gauss markov and unbiased, consistent and efficient estimators

Unbiased, if ß^=ß, 

Consist-ent, if var down, with n up

efficient, if no other linear estimates better

Gauss markov assumptions

1) linearity

2) no multicollinearity amongst predictors

3) Homoskedacity

4) No autocorrelation 

5) Expected value of residual = 0

Business Analytics

For an algorithm to be useful in a wide range of real-world
applications it must:

• Basic algorithm needs to be extended to fulfill these requirements

– Permit numeric attributes
– Allow missing values
– Be robust in the presence of noise

• Basic algorithm needs to be extended to fulfill these requirements

Business Analytics

Generalization errors

Components of generalization error
• Bias is error from erroneous assumptions in the learning algorithm. Error might be
due to inaccurate assumptions/simplifications made by the model.
• Variance is error from sensitivity to small fluctuations in the training set. High
variance causes overfitting.
Underfitting: model is too “simple” to represent all relevant characteristics
• High bias and low variance
• High training error and high test error
Overfitting: model is too “complex” and fits irrelevant characteristics/noise
• Low bias and high variance
• Low training error and high test error

Business Analytics

What is the random effects assumption?

The random effects assumption (in a random effects model) is that the
individual specific effects are uncorrelated with the independent variables
(𝑐𝑜𝑣 𝜆𝑖, 𝑥𝑗𝑖𝑡 = 0, but 𝜆𝑖 might be correlated).

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Business Analytics an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Technologie- und Managementorientierte Betriebswirtschaftslehre (TUM-BWL) an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Empirical Research Methods

Business Law I

Principles in Electrotechnology

Introduction to Business Ethics

Consumer Behaviour Research Methods

Introduction to entrepreneurship

Logistik in der Automobilindustrie

InfoManagement

19_Information Management for Digital Business Models

Kostenrechnung

Production Management

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Business Analytics an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback