Aufgabenstellungen des Überwachten Lernens
Supervised Learning ist ein Bereich des maschinellen Lernens. Dabei wird ein Modell anhand von Beispielen trainiert, bei denen zu jeder Eingabe bereits die passende Ausgabe bekannt ist.
Die Trainingsdaten bestehen also aus Paaren aus
- einer Eingabe
- und einer dazugehörigen Zielausgabe
Das Ziel ist, dass das Modell aus diesen Beispielen Zusammenhänge lernt und anschließend auch für neue, bisher unbekannte Eingaben passende Ausgaben vorhersagen kann.
Grundidee
Beim Supervised Learning liegt bereits während des Trainings für jedes Beispiel die richtige Ausgabe vor. Das Modell kann daher seine Vorhersagen mit den bekannten Zielausgaben vergleichen und schrittweise angepasst werden.
Ein Beispiel:
- Eingabe: Merkmale einer E-Mail
- Zielausgabe: Spam oder kein Spam
Ein weiteres Beispiel:
- Eingabe: Merkmale einer Wohnung
- Zielausgabe: geschätzter Preis
In beiden Fällen soll das Modell aus bekannten Beispielen lernen, damit es später auch neue Fälle richtig einordnen oder sinnvoll einschätzen kann.
Zwei Hauptproblemklassen
Beim Supervised Learning unterscheidet man vor allem zwei Hauptproblemklassen:
- Klassifikation: Vorhersage des Werts eines qualitativen Merkmals
- Regression: Vorhersage des Werts eines quantitativen Merkmals
Der Unterschied liegt also in der Art der Zielausgabe.
Breitentest: MNIST-App
width="min(150%, 1100px)"
width="130%"
width="1100px"
Klassifikation
Bei der Klassifikation soll vorhergesagt werden, welchen Wert ein qualitatives Merkmal besitzt. Die Ausgabe ist also eine Klasse oder Kategorie.
Beispiele
Vorhersage der Tierart anhand von Bilddaten
Eingabe-Daten: Bild
Zugehoerige Klasse: 1
Label der Klasse: Nashorn
Eingabe-Daten: Bild
Zugehoerige Klasse: 1
Label der Klasse: Nashorn
Eingabe-Daten: Bild
Zugehoerige Klasse: 2
Label der Klasse: Nilpferd
Eingabe-Daten: Bild
Zugehoerige Klasse: 2
Label der Klasse: Nilpferd
Weitere Beispiele
- E-Mail Spam / kein Spam
- Bild (\rightarrow) Katze, Hund oder Pferd
- Diagnose (\rightarrow) krank / nicht krank
- Handschriftliche Ziffer (\rightarrow) 0, 1, ..., 9
Kennzeichen
- Die Zielausgabe ist eine Klasse.
- Es gibt nur bestimmte mögliche Ausgaben.
- Das Modell ordnet einer Eingabe eine passende Klasse zu.
Beispiel: Ziffernerkennung mit MNIST
Ein bekanntes Beispiel für Klassifikation ist die Erkennung handgeschriebener Ziffern auf Basis des MNIST-Datensatzes.
Die Eingabedaten sind dabei Bilder von handgeschriebenen Ziffern. Jedes Bild besteht aus vielen Pixelwerten. Die Zielausgabe ist die Ziffer, die auf dem Bild zu sehen ist.
Obwohl die Labels (0) bis (9) als Zahlen geschrieben werden und geordnet sind, werden sie hier nicht als quantitative Werte verstanden. Für die Aufgabe ist nicht wichtig, dass (8) größer als (3) ist. Die Ziffern werden vielmehr als Klassen behandelt. Daher liegt hier eine Klassifikationsaufgabe vor.
Regression
Bei der Regression soll vorhergesagt werden, welchen Wert ein quantitatives Merkmal besitzt. Die Ausgabe ist also ein Zahlenwert.
Beispiele
- Wohnungsmerkmale (\rightarrow) Preis
- Wetterdaten (\rightarrow) Temperatur
- Lernzeit (\rightarrow) erreichte Punktzahl
- Fahrzeugmerkmale (\rightarrow) Kraftstoffverbrauch
Kennzeichen
- Die Zielausgabe ist ein Zahlenwert.
- Der vorhergesagte Wert beschreibt eine Größe.
- Das Modell schätzt zu einer Eingabe einen passenden numerischen Wert.
Beispiel
Ein Modell erhält Angaben zu einer Wohnung:
- Wohnfläche
- Lage
- Baujahr
- Anzahl der Zimmer
Es soll den Preis der Wohnung schätzen. Da als Ausgabe ein quantitativer Wert vorhergesagt wird, handelt es sich um eine Regressionsaufgabe.
Unterschied zwischen Klassifikation und Regression
Der zentrale Unterschied liegt in der Zielausgabe:
| Problemklasse | Zielausgabe | Beispiel |
|---|---|---|
| Klassifikation | Wert eines qualitativen Merkmals | Spam / kein Spam |
| Regression | Wert eines quantitativen Merkmals | Preis einer Wohnung |
Bedeutung für das maschinelle Lernen
Supervised Learning ist in vielen praktischen Anwendungen wichtig. Modelle werden genutzt, um auf Basis bekannter Beispiele Vorhersagen für neue Fälle zu treffen.
Typische Anwendungen sind zum Beispiel:
- Erkennen von Objekten auf Bildern
- Filtern von Spam-Nachrichten
- Vorhersage von Preisen
- Schätzung von Messwerten
- medizinische Diagnoseunterstützung
Welche Art von Modell verwendet wird, ist dabei zunächst eine andere Frage. Verschiedene Modelltypen, etwa Entscheidungsbäume, neuronale Netze oder k-Nearest-Neighbors, können je nach Aufbau für Klassifikation oder Regression eingesetzt werden.
Zusammenfassung
- Beim Supervised Learning wird ein Modell mit Beispielen trainiert, bei denen die richtigen Zielausgaben bekannt sind.
- Ziel ist, aus diesen Beispielen zu lernen und anschließend für neue Eingaben passende Ausgaben vorherzusagen.
- Die zwei wichtigsten Hauptproblemklassen sind:
- Klassifikation: Vorhersage des Werts eines qualitativen Merkmals
- Regression: Vorhersage des Werts eines quantitativen Merkmals
- Die Ziffernerkennung mit dem MNIST-Datensatz ist ein Beispiel für Klassifikation.
- Die Schätzung eines Preises ist ein Beispiel für Regression.