Python For Kids · Lektion

Überwachtes Lernen mit Scikit-Learn

Erstellen und bewerten Sie Modelle für überwachtes Lernen, etwa lineare Regressionen und Klassifikationsmodelle.

Überwachtes Lernen mit Scikit-Learn ist eine kostenlose Python For Kids-Lektion auf CoddyKit. Dies ist Lektion 2 von 6. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python For Kids-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python For Kids-Kurs umfasst insgesamt 6 Lektionen.

Überwachtes Lernen mit Scikit-Learn

Beim überwachten Lernen wird ein Modell mit gekennzeichneten Daten trainiert, um Vorhersagen zu treffen oder Datenpunkte zu klassifizieren. Scikit-learn ist eine beliebte Python-Bibliothek zur Implementierung von Modellen für überwachtes Lernen.

In dieser Lektion lernen Sie, wie Sie Modelle für überwachtes Lernen mit Scikit-learn erstellen und bewerten.

Überwachtes Lernen mit Scikit-Learn — Illustration 1

Was ist überw supervised Learning?

Beim überwachten Lernen werden gelabelte Daten verwendet, bei denen jeder Eingabe eine entsprechende Ausgabe zugeordnet ist. Ziel ist es, eine Zuordnung von Eingaben zu Ausgaben zu erlernen.

Zu den häufigen Aufgaben gehören:

Regression: Kontinuierliche Werte vorhersagen, z. B. Hauspreise.
Klassifikation: Kategorien vorhersagen, z. B. Spam oder kein Spam.

Scikit-Learn einrichten

Installieren Sie Scikit-learn mit pip:

pip install scikit-learn

Nach der Installation können Sie die Bibliothek importieren und mit dem Erstellen von Modellen beginnen.

Lineare Regression

Die lineare Regression wird zur Vorhersage kontinuierlicher Werte verwendet. Erstellen wir ein einfaches lineares Regressionsmodell:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

Logistische Regression

Die logistische Regression wird für binäre Klassifizierungsaufgaben verwendet, beispielsweise um zu bestimmen, ob eine E-Mail Spam ist oder nicht.

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

Entscheidungsbäume

Entscheidungsbäume sind vielseitige Modelle, die sowohl Regressions- als auch Klassifizierungsaufgaben bearbeiten können. Erstellen wir einen einfachen Entscheidungsbaum-Klassifikator:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

Modelle bewerten

Scikit-learn stellt Metriken zur Bewertung der Modellleistung bereit:

Mittlerer quadratischer Fehler (MSE): Für Regressionsmodelle.
Accuracy: Für Klassifizierungsmodelle.

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

Aufteilung in Trainings- und Testdaten

Teilen Sie Ihren Datensatz immer in Trainings- und Testdaten auf, um die Modellleistung anhand unbekannter Daten zu bewerten:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

Häufige Fehler beim überwachten Lernen

Diese Fehler sollten Sie vermeiden:

Daten nicht in Trainings- und Testmengen aufzuteilen.
Das Modell durch die Verwendung übermäßig komplexer Algorithmen zu überanpassen.
Für das Training unzureichend beschriftete Daten zu verwenden.

Was haben Sie gelernt?

In dieser Lektion haben Sie Folgendes gelernt:

Wie Sie Regressions- und Klassifizierungsmodelle mit Scikit-learn erstellen.
Wie Sie die Modellleistung mit Metriken wie MSE und Accuracy bewerten.
Warum es wichtig ist, Daten in Trainings- und Testdaten aufzuteilen.
Welche häufigen Fehler Sie bei Aufgaben zum überwachten Lernen vermeiden sollten.

Sehr gut! Fahren Sie nun mit dem nächsten Thema fort.

Überwachtes Lernen mit Scikit-Learn — Illustration 11

Häufig gestellte Fragen

Ist die Lektion „Überwachtes Lernen mit Scikit-Learn“ kostenlos?

Ja — der vollständige Text von „Überwachtes Lernen mit Scikit-Learn“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python For Kids-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python For Kids-Kurs umfasst insgesamt 6 Lektionen.

Was lerne ich in „Überwachtes Lernen mit Scikit-Learn“?

Erstellen und bewerten Sie Modelle für überwachtes Lernen, etwa lineare Regressionen und Klassifikationsmodelle. Du übst Python For Kids mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Python For Kids zu starten?

Keine Vorkenntnisse erforderlich. Python For Kids auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 6.

Wie lange dauert die Lektion „Überwachtes Lernen mit Scikit-Learn“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Python For Kids-Lektion Code schreiben und ausführen?

Ja. Jede Python For Kids-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Python For Kids