Dr. Andrea Bommert
Telefon: +49 231 755 3128
Mathematik, Raum 722
Vogelpothsweg 87
44227 Dortmund
- Stabile Variablenselektion
- Stabilitätsmaße
- Variablenselektion
- Filtermethoden zur Variablenselektion
- Selektion korrelierter Variablen
- Prognosemodelle
- Klassifikation
- Clustering
- Neutrale Vergleichsstudien
- Hochdimensionale Daten
- Bayesianische Optimierung
- Optimierung stochastischer Zielfunktionen
- Mehrkriterielle Optimierung
- Anwendungen in der Logistik
- Bommert, A. M., Rahnenführer, J., & Lang, M. (2022). Employing an adjusted stability measure for multi-criteria model fitting on data sets with similar features. In G. Nicosia, V. Ohja, E. L. Malfa, G. L. Malfa, & G. Jansen (Hrsg.), Machine learning, optimization, and data science (Verlagsversion, Bd. 13163, S. 81–92). Springer International Publishing. https://doi.org/10.1007/978-3-030-95467-3_6
- Bommert, A. M., & Lang, M. (2021). stabm: stability measures for feature selection [OnlineRessource]. The Journal of Open Source Software, 6(59), 3010. https://doi.org/10.21105/joss.03010
- Bommert, A. M., & Rahnenführer, J. (2021). Adjusted measures for feature selection stability for data sets with similar features. In G. Nicosia, V. Ojha, E. La Malfa, G. Jansen, V. Sciacca, P. Pardalos, G. Giuffrida, & R. Umeton (Hrsg.), Machine learning, optimization, and data science (Verlagsversion, Bd. 12565/12566, S. 203–214). Springer. https://doi.org/10.1007/978-3-030-64583-0_19
- Bommert, A. M., Welchowski, T., Schmid, M., & Rahnenführer, J. (2021). Benchmark of filter methods for feature selection in high-dimensional gene expression survival data. Briefings in Bioinformatics, 23(1), Article bbab354. https://doi.org/10.1093/bib/bbab354
- Bommert, A. M., Rahnenführer, J., & Weihs, C. (2020). Integration of feature selection stability in model fitting (Verlagsversion) [Universitätsbibliothek Dortmund]. https://doi.org/10.17877/de290r-21906
- Bommert, A. M., Sun, X., Bischl, B., Rahnenführer, J., & Lang, M. (2020). Benchmark for filter methods for feature selection in high-dimensional classification data [OnlineRessource]. Computational Statistics & Data Analysis, 143, 106839. https://doi.org/10.1016/j.csda.2019.106839
- Sun, X., Bommert, A. M., Pfisterer, F., Rahnenführer, J., Lang, M., & Bischl, B. (2019). High dimensional restrictive federated model selection with multi-objective bayesian optimization over shifted distributions [OnlineRessource]. In Y. Bi, R. Bhatia, & S. Kapoor (Hrsg.), Intelligent systems and applications (Verlagsversion, Bd. 1037, S. 629–647). Springer. https://doi.org/10.1007/978-3-030-29516-5_48
- Bommert, A. M., Rahnenführer, J., & Lang, M. (2017). A multi-criteria approach to find predictive and sparse models with stable feature selection for high-dimensional data. Computational and Mathematical Methods in Medicine, 2017, 1–18. https://doi.org/10.1155/2017/7907163
- Statistische Verfahren (WiSe 2023/24)
- Einführungskurs in SAS (WiSe 2023/24)
- Einführungskurs in SQL und APIs (WiSe 2023/24)
- Einführung in das statistische Lernen (SoSe 2023)
- Empirische Analysemethoden (SoSe 2023)
- Statistische Verfahren (WiSe 2022/23)
- Einführungskurs in SAS (WiSe 2022/23)
- Einführungskurs in SQL (WiSe 2022/23)
Wissenschaftliche Tätigkeit
- Seit Okt. 2016: Wissenschaftliche Mitarbeiterin an der Fakultät Statistik
- Okt. 2013 - Sep. 2016: studentische Hilfskraft an der Fakultät Statistik
Studium
- Dr. rer. nat (Statistik): Technische Universität Dortmund, 2021. Dissertation: Integration of Feature Selection Stability in Model Fitting
- M. Sc. (Statistik): Technische Universität Dortmund, 2016. Masterarbeit: Stabile Variablenselektion in der Klassifikation
- B. Sc. (Datenanalyse und Datenmanagement): Technische Universität Dortmund, 2014. Bachelorarbeit: Robuste Schätzung des Parametervektors bei der linearen Quantilsregression