Überwachtes Lernen ist das größte Teilgebiet des maschinellen Lernens und meist der Einstiegspunkt für Machine Learning Neulinge. Die Lernverfahren basieren darauf, aus vielen Beispielen Regeln und Zusammenhänge zu extrahieren bzw. zu lernen und anschließend in der Lage zu sein, zu neuen bisher unbekannten Beispielen eine Vorhersage/Aussage zu treffen. Datensätze für das überwachte Lernen bestehen auf der einen Seite aus Inputs (auch Features genannt), aus denen die Zusammenhänge gelernt werden sollen, und auf der anderen Seite aus Outputs (auch Labels bzw. Targets genannt), die das gewünschte Ergebnis widerspiegeln. Die folgende Abbildung zeigt einen beispielhaften Datensatz aus numerischen Features und dem entsprechenden Label in Textform.
Arten des überwachten Lernens #
Beim überwachten Lernen unterscheidet man zwischen den folgenden grundlegenden Fällen:
Bei der Klassifikation bestehen die Outputs (als Label bezeichnet) aus einer endlichen Menge von kategorischen Werten. Wenn Modelle erfolgreich trainiert wurde, können sie neue Eingaben einer der Klassen zuordnen. Mehr Informationen zur Klassifikation sind in einem gesonderten Wiki Beitrag zu finden.
Die Outputs (als Target bezeichnet) sind kontinuierliche numerische Werte, die sich nicht zwingend auf eine Mege begrenzen müssen. Dementsprechend ist auch die Ausgabe eines Modells zu neuen Beispielen ebenfalls ein numerischer Wert. Auch zur Regression sind weitere Informationen in einem eigenen Beitrag zu finden.
Es gibt sehr viele verschiedene Lernverfahren aus dem Bereich des überwachten Lernens und es werden immer wieder neue Methoden entwickelt, Problemstellungen zu lösen und Ergebnisse zu verbessern. Je nach Problemstellung sind verschiedene Algorithmen besser geeignet, jedoch gitbt es nicht das “eine” Lernverfahren. Eine weitere wichtige Rolle spielen zudem die sogenannten Hyperparameter, die die jeweiligen Algorithmen beeinflussen und entsprechend der Problemstellung optimiert werden müssen.
Einige Lernverfahren für das Überwachte Lernen sind unter anderem:
– K-Nearest-Neighbours
– Entscheidungsbäume
– Support-Vector-Machines
– Neuronale Netze
– Logistische Regression
Weiterführende Links:
What is Supervised Learning?: https://www.ibm.com/cloud/learn/supervised-learning
Types of Machine Learning Algorithms: https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861
