Überwachtes und unüberwachtes Lernen

Machine Learning teilt sich in zwei große Gruppen: überwachtes Lernen, das beschriftete Antworten verwendet, und unüberwachtes Lernen, das ohne sie auskommt. 🧭

Beim überwachten Lernen enthält jede Zeile ein bekanntes Label – die richtige Antwort, die das Modell für neue Daten vorhersagen soll.

Überwachte Modelle untersuchen Paare aus Eingaben und Labels und verallgemeinern diese Zuordnung anschließend, um ihnen unbekannte Labels zu vorhersagen.

Beim unüberwachten Lernen gibt es überhaupt keine Labels. Der Algorithmus muss Strukturen selbstständig in den Daten finden, ohne Vorgabe, was richtig ist.

Die häufigste Aufgabe beim unüberwachten Lernen ist Clustering: Ähnliche Zeilen werden gruppiert, sodass natürliche Segmente aus den Rohdaten entstehen.

Beim Clustering wird anhand eines Maßes für die Distanz entschieden, was zusammengehört, etwa anhand der euklidischen Distanz zwischen Feature-Werten.

Wenn Sie Kundinnen und Kunden anhand ihrer Einkäufe ohne vorgegebene Kategorien in Segmente einteilen, ist das ein klassisches Beispiel für Clustering.

Ohne Labels gibt es keine einfache Genauigkeit, die Sie prüfen könnten. Sie beurteilen Cluster danach, wie geschlossen und gut voneinander getrennt sie sind.

Dieselbe Tabelle kann für beide Ansätze verwendet werden: Fügen Sie für überwachtes Lernen eine Zielspalte hinzu oder lassen Sie sie weg, damit sich die Struktur selbst zeigt.

Greifen Sie zum überwachten Lernen, wenn Sie eine klare Antwort vorhersagen möchten. Wählen Sie unüberwachtes Lernen, wenn Sie unbekannte Muster erkunden möchten.

Beide Gruppen nutzen dieselbe Bibliothek. Clustering-Werkzeuge befinden sich unter sklearn.cluster und stehen neben den Klassifikatoren bereit, die Sie bereits kennen.

Halten wir fest, was eine Aufgabe unüberwacht macht.

Überwachtes Lernen sagt bekannte Labels voraus. Unüberwachtes Lernen wie Clustering entdeckt verborgene Gruppen, wenn keine Labels vorhanden sind. 🎯