Was ist supervised learning?

„Supervised Learning“ (auf Deutsch: „überwachtes Lernen“) ist eine Methode des maschinellen Lernens, bei der ein Algorithmus anhand eines Trainingsdatensatzes trainiert wird, der sowohl die Eingabevariablen als auch die korrekten Ausgabevariablen (auch als Ziel- oder Labelvariablen bezeichnet) enthält. Das Hauptziel von supervised Learning ist es, eine Funktion zu lernen, die Eingaben in Ausgaben umwandelt, sodass zukünftige, bisher ungesehene Eingaben korrekt vorhergesagt werden können.

Hier sind einige Schlüsselkonzepte und Details zum supervised Learning:

1. Daten: Beim supervised Learning besteht der Trainingsdatensatz aus einer Menge von Eingabe-Ausgabe-Paaren. Zum Beispiel könnte in einer Klassifikationsaufgabe jede Eingabe ein Bild und die Ausgabe das Label dieses Bildes (z.B. „Hund“ oder „Katze“) sein.

2. Aufgaben: Es gibt hauptsächlich zwei Typen von Aufgaben im supervised Learning:

• Klassifikation: Die Ausgabevariable ist kategorisch. Zum Beispiel könnte eine Aufgabe darin bestehen, E-Mails als „Spam“ oder „Nicht-Spam“ zu klassifizieren.
• Regression: Die Ausgabevariable ist kontinuierlich. Zum Beispiel könnte eine Aufgabe darin bestehen, den Preis eines Hauses basierend auf seinen Merkmalen (z.B. Größe, Lage, Anzahl der Zimmer) vorherzusagen.

3. Training und Test: Der Datensatz wird oft in zwei Teile unterteilt: Ein Trainingssatz und ein Testsatz. Der Trainingssatz wird verwendet, um das Modell zu trainieren, während der Testsatz verwendet wird, um seine Leistung zu bewerten und sicherzustellen, dass es nicht nur die Trainingsdaten „auswendig gelernt“ hat (ein Phänomen, das als „Overfitting“ bezeichnet wird).

4. Lernen: Das Lernen im supervised Learning besteht darin, die Gewichtungen des Modells so anzupassen, dass der Fehler zwischen den vorhergesagten und den tatsächlichen Ausgaben des Trainingsdatensatzes minimiert wird.

5. Beispiele für Algorithmen: Es gibt viele Algorithmen für supervised Learning, darunter lineare Regression, logistische Regression, Entscheidungsbäume, Random Forest, Support-Vektor-Maschinen, neuronale Netzwerke und viele andere.

Supervised Learning ist eine der am häufigsten verwendeten Methoden im maschinellen Lernen und findet in zahlreichen Anwendungen, von der Bilderkennung bis zur Finanzvorhersage, Anwendung. Es erfordert jedoch Zugriff auf qualitativ hochwertige gelabelte Daten, was in einigen Bereichen eine Herausforderung darstellen kann.