Ockhams Rasiermesser
Ockhams RasiermesserDies bedeutet, dass, wenn es mehrere Hypothesen gibt, die mit den Beobachtungen übereinstimmen, die einfachste ausgewählt wird. Ockhams Rasiermesser wird häufig als heuristische Technik verwendet. Es handelt sich um ein Hilfsmittel zur Entwicklung theoretischer Modelle und kann nicht als Grundlage für die Beurteilung von Theorien verwendet werden.
Der Ursprung von Ockhams Rasiermesser
Ockhams Rasiermesser wird mancherorts auch „Ockhams Rasiermesser“ genannt. Sein lateinischer Name ist lex parsimoniae, was Gesetz der Einfachheit bedeutet.
Es handelt sich um eine Problemlösungsregel, die von Wilhelm von Ockham, einem Logiker und Franziskanermönch des 14. Jahrhunderts, vorgeschlagen wurde. In seinem Kommentar zum Buch der Sprichwörter, Band 2, Frage 15, sagte er: „Verschwenden Sie nie mehr und tun Sie, was Sie mit weniger tun können.“
Anders ausgedrückt: Wenn es mehrere Theorien zum selben Problem gibt und jede davon gleichermaßen genaue Vorhersagen liefert, sollte diejenige gewählt werden, die die wenigsten Annahmen macht. Obwohl komplexere Methoden im Allgemeinen bessere Vorhersagen ermöglichen, gilt: Je weniger Annahmen, desto besser, solange die Vorhersagekraft kein Problem darstellt (d. h., die Ergebnisse sind in etwa gleich).
Anwendung von Ockhams Rasiermesser
Der Prototyp von Ockhams Rasiermesser gilt nur für Modelle mit gleicher Erklärungskraft (d. h., er sagt Ihnen lediglich, dass Sie unter gleich guten Modellen das einfachere auswählen sollen).
Eine allgemeinere Form von Ockhams Rasiermesser kann aus dem Bayesschen Modellvergleich abgeleitet werden.
Es basiert auf Bayes-Faktoren und kann zum Vergleich von Modellen verwendet werden, die nicht gleich gut zu den Beobachtungen passen. Diese Modelle finden manchmal das beste Gleichgewicht zwischen Erklärungskraft und Komplexität.
Im Allgemeinen ist es schwierig, den genauen Wert des Bayes-Faktors zu ermitteln, es gibt jedoch viele Methoden, um einen ungefähren Wert zu erhalten, wie etwa das Informationskriterium von Akaike, das Bayes-Informationskriterium, die Variations-Bayes-Methode, die Falschentdeckungsrate und die Laplace-Methode. Viele KI-Forscher verwenden diese Methoden beim Occam-Lernen.