Definition: Überwachtes Lernen

  • 4 Minuten

Das Training eines Modells kann überwacht oder unüberwacht erfolgen. Unser Ziel ist es, diese Ansätze zu vergleichen. Anschließend werfen Sie einen genaueren Blick auf den Lernprozess, wobei der Schwerpunkt auf dem überwachten Lernen liegt. Beachten Sie dabei immer, dass der einzige Unterschied zwischen überwachtem und unüberwachtem Lernen darin besteht, wie die Zielfunktion funktioniert.

Was ist unüberwachtes Lernen?

Beim unüberwachten Lernen trainieren Sie ein Modell dazu, ein Problem zu lösen, ohne die richtige Antwort zu kennen. Tatsächlich wird unüberwachtes Lernen in der Regel für Probleme verwendet, bei denen es nicht nur eine richtige Antwort gibt, sondern bessere und schlechtere Lösungen.

Stellen Sie sich vor, dass ein Machine Learning-Modell realistische Bilder von Lawinensuchhunden zeichnen soll. Dabei gibt es nicht die eine richtige Zeichnung. Solange das Bild wie ein Hund aussieht, ist die Aufgabe erfüllt. Wenn das erzeugte Bild eine Katze zeigt, handelt es sich um eine schlechtere Lösung.

Denken Sie daran, dass das Training mehrere Komponenten erfordert:

Diagramm: Modell- und Zielfunktionen im Machine-Learning-Lebenszyklus

Beim unüberwachten Lernen bewertet die Zielfunktion ausschließlich die Schätzung des Modells. Das bedeutet häufig, dass sie relativ ausgereift sein muss. Beispielsweise muss die Zielfunktion möglicherweise eine „Hundeerkennung“ beinhalten, um bewerten zu können, ob die vom Modell gezeichneten Bilder realistisch sind. Die einzigen Daten, die Sie für das unüberwachte Lernen benötigen, sind die Features, die Sie für das Modell bereitstellen.

Was ist überwachtes Lernen?

Stellen Sie sich überwachtes Lernen als Lernen anhand von Beispielen vor. Beim überwachten Lernen wird die Leistung des Modells bewertet, indem seine Schätzungen mit der richtigen Antwort verglichen werden. Auch wenn es nur eine einfache Zielfunktion gibt, benötigen Sie noch Folgendes:

  • Features, die als Eingaben für das Modell bereitgestellt werden
  • Bezeichnungen, bei denen es sich um die richtigen Antworten handelt, die das Modell erzeugen soll

Diagramm: Modell- und Zielfunktionen im Machine-Learning-Lebenszyklus, mit Bezeichnungen

Betrachten Sie beispielsweise das Ziel, die Temperatur am 31. Januar eines bestimmten Jahres vorherzusagen. Für diese Vorhersage benötigen Sie Daten mit zwei Komponenten:

  • Feature: Datum
  • Bezeichnung: Tagestemperatur (z. B. aus historischen Datensätzen)

In diesem Szenario stellen Sie dem Modell das Datumsfeature bereit. Das Modell sagt die Temperatur vorher, und Sie vergleichen dieses Ergebnis mit der wirklichen Temperatur des Datasets. Die Zielfunktion kann dann berechnen, wie gut das Modell funktioniert hat, und anschließend können Anpassungen am Modell vorgenommen werden.

Bezeichnungen dienen nur zum Lernen.

Denken Sie daran, dass Modelle unabhängig davon, wie sie trainiert werden, immer nur Features verarbeiten. Während des überwachten Lernens ist die Zielfunktion die einzige Komponente, die Zugriff auf die Bezeichnungen benötigt. Nach dem Training benötigen Sie keine Bezeichnungen mehr, um das Modell verwenden zu können.