Was ist überwachtes Lernen?

Die beim überwachten Lernen verwendeten Daten sind mit Labels gekennzeichnet, d. h., sie enthalten Beispiele sowohl für Eingaben (Features) als auch für korrekte Ausgaben (Labels). Die Algorithmen analysieren ein großes Dataset dieser Trainingspaare, um abzuleiten, wie ein gewünschter Ausgabewert aussehen würde, wenn sie aufgefordert werden, eine Vorhersage für neue Daten zu treffen.

Nehmen wir an, Sie möchten einem Modell beibringen, Bilder von Bäumen zu erkennen. Sie stellen ein gelabeltes Dataset bereit, das viele verschiedene Beispiele für Baumarten und die Namen der einzelnen Arten enthält. Sie lassen den Algorithmus versuchen, anhand der mit Labels beschrifteten Ausgaben zu definieren, welche Eigenschaften zu jedem Baum gehören. Anschließend können Sie das Modell testen, indem Sie ihm ein Bild eines Baumes zeigen und es fragen, um welche Art es sich handelt. Wenn das Modell eine falsche Antwort gibt, können Sie es mit weiteren Beispielen trainieren und seine Parameter anpassen, um seine Treffsicherheit zu verbessern und Fehler zu minimieren. 

Nachdem das Modell trainiert und getestet wurde, können Sie es verwenden, um Vorhersagen zu unbekannten Daten zu treffen, basierend auf dem zuvor erworbenen Wissen.

Überwachtes Lernen im Bereich des maschinellen Lernens wird im Allgemeinen in zwei Kategorien unterteilt: Klassifizierung und Regression. 

Klassifizierungsalgorithmen werden verwendet, um Daten zu gruppieren, indem sie ein kategorisches Label oder eine Ausgabevariable basierend auf den Eingabedaten vorhersagen. Die Klassifizierung wird verwendet, wenn Ausgabevariablen kategorisch sind, also wenn es zwei oder mehr Klassen gibt.

Eines der häufigsten Beispiele für Klassifizierungsalgorithmen ist der Spamfilter in Ihrem E‑Mail-Posteingang. Hier wird ein Modell für überwachtes Lernen trainiert, um vorherzusagen, ob eine E-Mail Spam ist oder nicht. Dazu wird ein Dataset verwendet, das Beispiele mit Labels für Spam und legitime E-Mails enthält. Der Algorithmus extrahiert Informationen zu jeder E‑Mail, einschließlich Absender, Betreffzeile, Text und mehr. Anhand dieser Funktionen und der entsprechenden Ausgabelabels lernt der Algorithmus dann Muster und weist eine Bewertung zu, die angibt, ob eine E-Mail echt oder Spam ist.

Regressionsalgorithmen werden verwendet, um einen realen oder kontinuierlichen Wert vorherzusagen, wobei der Algorithmus eine Beziehung zwischen zwei oder mehr Variablen erkennt. 

Ein häufiges Beispiel für eine Regressionsaufgabe ist die Vorhersage eines Gehalts basierend auf der Berufserfahrung. Ein Algorithmus für überwachtes Lernen würde beispielsweise mit Eingaben zur Berufserfahrung (z. B. Dauer, Branche oder Fachgebiet, Standort usw.) und dem entsprechenden Gehalt gefüttert. Nach dem Training kann das Modell verwendet werden, um das Durchschnittsgehalt basierend auf der Berufserfahrung vorherzusagen.

Überwachte Lernmodelle können für eine Reihe verschiedener geschäftlicher Anwendungsfälle eingesetzt werden, die eine Vielzahl von Problemen angehen. Gängige Beispiele für überwachtes Lernen:

• Risikobewertung : Überwachte Modelle für maschinelles Lernen können Banken und anderen Finanzdienstleistungsunternehmen dabei helfen zu bestimmen, ob es für Kunden wahrscheinlich ist, dass sie Kredite in Anspruch nehmen, und so die Risiken in ihren Portfolios minimieren.
• Bildklassifizierung : Überwachte Algorithmen für maschinelles Lernen werden oft trainiert, um Objekte in Bildern und Videos zu klassifizieren. Beispielsweise kann ein Algorithmus verwendet werden, um eine Person auf einem Bild zu erkennen und sie auf einer Social-Media-Plattform automatisch zu taggen.
• Betrugerkennung : Überwachtes Lernen bildet die Grundlage vieler Betrugserkennungssysteme, sodass Unternehmen betrügerische Aktivitäten erkennen können. Diese Modelle werden mit Datasets trainiert, die sowohl betrügerische als auch nicht betrügerische Aktivitäten enthalten, damit sie in Echtzeit auf verdächtige Aktivitäten hinweisen können.
• Empfehlungssysteme : Überwachte Lernalgorithmen werden von Onlineplattformen und Streamingdiensten verwendet, um Empfehlungen zu geben, die auf dem bisherigen Kundenverhalten oder Einkaufsverlauf basieren. Die Modelle extrahieren wichtige Informationen zum Verhalten von Nutzern und schlagen ähnliche Produkte und Inhalte vor.

Der Hauptunterschied zwischen überwachtem und unüberwachtem Lernen ist die Art der Eingabedaten, die zum Trainieren des Modells verwendet werden. Beim überwachten Lernen werden mit Labels versehene Trainings-Datasets verwendet, um einem Modell ein bestimmtes, vordefiniertes Ziel beizubringen.  

Beim unüberwachten Lernen hingegen werden Daten ohne Label verwendet und es agiert autonom, um die Struktur der Daten zu erlernen, ohne dass explizite Anweisungen gegeben werden.