Supervised Learning: Der Bereich des maschinellen Lernens (allgemein als Machine Learning bekannt) umfasst Probleme des überwachten, unüberwachten und halbüberwachten Lernens. Wenn du mehr über Machine Learning erfahren möchtest, ist unser Dossier genau das Richtige für dich. In diesem Artikel befassen wir uns mit einem der ersten Schritte des Machine Learning: dem überwachten Lernen.
Was ist Supervised Learning? Definition
Wenn man lernt, wie man maschinelles Lernen betreibt, beginnt man oft mit dem überwachten Lernen, das viel zugänglicher ist.
Beim überwachten Lernen wird eine Maschine mithilfe von gelabelten Daten trainiert. Das heißt, Daten, die bereits mit dem richtigen Label versehen wurden (Klasse, kontinuierlicher Wert…).
Dieses Lernen mit Daten, die bereits die „richtige Antwort“ haben, ermöglicht es, das Label von neuen, nicht gelabelten Daten vorherzusagen.
Welche Modelle des Supervised Learning gibt es?
Im Bereich des überwachten Lernens gibt es mehrere Modelle, die in Form von Algorithmen (Mathematik und Computer) implementiert werden können. Sie unterscheiden sich in der Art und Weise, wie sie das Training der Daten angehen, aber auch in der Art des vorherzusagenden Labels (kontinuierlicher Wert, Klasse…).
Die lineare Regression ist eine der beliebtesten Techniken des überwachten Lernens, wenn es um die Vorhersage eines kontinuierlichen Wertes geht.
Zum Beispiel kann man dieses Modell verwenden, um den Preis eines Hauses vorherzusagen, wenn man seine Größe, die Anzahl der Zimmer und den Ort, an dem es steht, kennt.
Während das Modell sehr gut darin ist, lineare Beziehungen zwischen erklärenden und zu erklärenden Variablen zu erfassen, insbesondere dank seiner Varianten (Version mit Regularisierung, um Überlernen zu vermeiden), bleibt es unfähig, bei komplexeren Beziehungen als der einfachen Linearität zwischen den Variablen zu performen.
In anderen überwachten Aufgaben wie der Klassifizierung finden sich verschiedene Modelle wie Entscheidungsbäume (z. B. RandomForest), Varianten der Regression wie die logistische Regression oder SVMs (Support Vector Machines).
Das überwachte Lernen ist nicht auf diese Algorithmen beschränkt, auch wenn sie den Stand der Technik im klassischen maschinellen Lernen darstellen.
Deep Learning, das auf tiefen neuronalen Netzen basiert, wird auch häufig für das überwachte Lernen bei komplexen Problemen wie der Klassifizierung von unstrukturierten Daten (Bild, Ton, Video) verwendet, oder um bessere Ergebnisse bei klassischen Machine-Learning-Problemen zu erzielen.
Was sind die elementaren Schritte beim Supervised Learning?
- Sammeln von Daten und deren Kennzeichnung. (Eine Aufgabe, die nicht unbedingt vom Data Scientist erledigt wird).
Bereinigung der Daten (fehlende Werte, Redundanz, unnötige Variablen…). - Vorverarbeitung der Daten (Identifikation der erklärenden Variablen und des Zielausgangs, Trennung in Trainings- und Validierungsdaten, Normalisierung der Daten…).
- Instantiierung der Modelle je nach Fragestellung (Regressions- oder Klassifikationsmodell …).
Training der Modelle und Suche nach den optimalen Hyperparametern. - Validierung des Modells anhand von Testdaten.
Was sind die Vorteile des Supervised Learning?
- Verschiedene Problemstellungen können mithilfe von überwachtem Lernen bearbeitet werden.
Einfaches und effektives Trainieren verschiedener Modelle durch bereits gelabelte Daten. - Mithilfe der Labels kann das Modell validiert werden, indem es an gelabelten Daten getestet wird und die vorhergesagten Ergebnisse mit den tatsächlichen Ausgaben verglichen werden.
Warum wird das Supervised Learning immer unbeliebter?
- Schwierigkeiten bei der Beschriftung von Daten, besonders wenn sie in großen Mengen vorliegen. (Einige Probleme erfordern das manuelle Eingreifen eines menschlichen Operators).
- Problem des Überlernens, wenn das Modell auf abnormale Daten stößt (ein häufiges Problem, wenn der Trainingsdatensatz klein ist).
- Wir wissen nicht, wie wir die Daten für bestimmte Probleme kennzeichnen sollen, und wir möchten, dass der Algorithmus diese Arbeit übernimmt (Probleme wie Clustering-Aufgaben).
Fazit
Das Supervised Learning ist nicht perfekt, aber es bleibt eine der besten Möglichkeiten, um komplexe Probleme in verschiedenen Bereichen von Finanzen bis Gesundheit zu lösen.
Überwachtes Lernen ist von grundlegender Bedeutung, wenn es darum geht, einen enormen Mehrwert aus den gesammelten Daten zu generieren, der das Interesse an diesen Daten rechtfertigt.
Möchtest du mehr über überwachtes Lernen und Machine-Learning-Techniken erfahren? Schau dir unsere Machine Learning-Schulungen an und beginne bald mit dem Lernen!
