Mit Google fortfahren
Maschinelles Lernen einfach erklärt
Beim maschinellen Lernen wird nicht jede Entscheidungsregel einzeln programmiert. Ein Lernverfahren erkennt Muster in Beispieldaten und bildet daraus ein Modell. Dieses Modell soll anschließend auch unbekannte Fälle sinnvoll einordnen oder vorhersagen.
Du lernst hier, wie Training und Test zusammenhängen, worin sich die drei wichtigsten Lernarten unterscheiden und warum ungeeignete Daten zu unzuverlässigen Ergebnissen führen können.
Hake ab, was du schon kannst — und komm am Ende hierher zurück!
Was lernt die Maschine eigentlich?
Stell dir einen Spamfilter vor. Bei einem regelbasierten Programm legen Menschen Regeln fest, zum Beispiel: „Wenn die Betreffzeile ein bestimmtes Wort enthält, markiere die Nachricht als Spam.“ Das Programm führt diese Regeln aus, lernt sie aber nicht selbst.
Beim maschinellen Lernen erhält ein Lernverfahren dagegen viele Beispiele. Es passt die Parameter eines Modells so an, dass dessen Ausgaben möglichst gut zu den Beispielen passen. Die erkannten Zusammenhänge stecken anschließend im Modell.
Modell
Ein Modell ist das beim Training entstandene Ergebnis eines Lernverfahrens. Es verarbeitet neue Eingaben und erzeugt daraus beispielsweise eine Klasse, einen Zahlenwert oder eine Empfehlung.
Ein Bilderkennungsmodell soll Äpfel erkennen. Während des Trainings sieht es viele gekennzeichnete Bilder. Es kann dabei Muster zu Form, Farbe oder Bildstruktur erfassen. Bei einem neuen Bild gibt das trainierte Modell eine Vorhersage aus, etwa „Apfel“.
Entscheidend ist: Nicht das Bild wurde auswendig als allgemeine Regel programmiert. Das Modell wurde anhand vieler Beispiele angepasst.
Maschinelles Lernen bedeutet nicht, dass ein Computer wie ein Mensch versteht. Es bedeutet zunächst, dass ein Verfahren ein Modell anhand von Daten anpasst.
Wie wird aus Daten eine Vorhersage?
Ein typischer Lernweg führt von Beispieldaten zu einem geprüften Modell:
- Daten werden gesammelt und für die Aufgabe aufbereitet.
- Relevante Eigenschaften werden als Merkmale dargestellt.
- Das Lernverfahren passt das Modell an den Trainingsdaten an.
- Getrennte Testdaten prüfen, wie das Modell mit unbekannten Fällen umgeht.
- Das geprüfte Modell erzeugt im Einsatz Vorhersagen, Klassen oder Empfehlungen.
- Seine Ergebnisse und die verwendeten Daten werden weiter überwacht.
Merkmal
Ein Merkmal ist eine messbare oder darstellbare Eigenschaft einer Eingabe. Bei einer Transaktion können das beispielsweise Betrag, Zeitpunkt, Ort und Gerätetyp sein.
Label
Ein Label ist die vorgegebene richtige Zuordnung eines Trainingsbeispiels. Bei einem Spamfilter kann es „Spam“ oder „kein Spam“ lauten.
Vorhersage
Eine Vorhersage ist die Ausgabe, die das Modell für eine Eingabe erzeugt. Sie kann richtig oder falsch sein und muss deshalb geprüft werden.
Bei einer gekennzeichneten E-Mail sind Wörter, Absenderinformationen oder Versandzeit mögliche Merkmale. „Spam“ ist das Label. Nachdem das Modell trainiert wurde, lautet seine Ausgabe für eine neue E-Mail beispielsweise „kein Spam“. Diese Ausgabe ist die Vorhersage.
Wähle in jeder Lücke die passende Form und prüfe anschließend deine Antworten.
Beim Training wird ein aus Beispieldaten gebildet. Eine beschreibende Eigenschaft der Eingabe heißt . Die bekannte richtige Klasse eines Trainingsbeispiels heißt . Die Ausgabe für einen neuen Fall ist eine .
Welche drei Lernarten gibt es?
Die Lernarten unterscheiden sich vor allem darin, welche Rückmeldung während des Lernens verfügbar ist.
Überwachtes Lernen
Beim überwachten Lernen enthalten die Trainingsdaten Eingaben und bekannte richtige Ausgaben. Das Modell vergleicht seine Vorhersagen mit diesen Labels und wird so angepasst, dass die Abweichungen kleiner werden.
Typische Aufgaben sind:
- Klassifikation: eine Klasse vorhersagen, etwa „Spam“ oder „kein Spam“;
- Regression: einen kontinuierlichen Zahlenwert vorhersagen, etwa einen Preis oder eine Dauer.
Unüberwachtes Lernen
Beim unüberwachten Lernen gibt es keine vorgegebenen richtigen Ausgaben. Das Verfahren sucht Ähnlichkeiten, Gruppen oder andere Strukturen in den Daten.
Beim Clustering werden ähnliche Datenpunkte zu Gruppen zusammengefasst. Die Gruppen sind jedoch nicht automatisch sachlich richtig oder nützlich. Menschen müssen prüfen, was sie bedeuten.
Bestärkendes Lernen
Beim bestärkenden Lernen handelt ein Agent in einer Umgebung. Für Handlungen erhält er positive oder negative Belohnungen. Er versucht, eine Strategie zu lernen, die langfristig eine möglichst hohe Gesamtbelohnung erreicht.
Dabei muss der Agent zwischen zwei Möglichkeiten abwägen:
- neue Handlungen ausprobieren;
- bereits erfolgreiche Handlungen nutzen.
Warum braucht man getrennte Testdaten?
Ein Modell soll nicht nur bekannte Trainingsbeispiele richtig bearbeiten. Es soll seine erlernten Muster auf ausreichend ähnliche, aber unbekannte Fälle übertragen. Diese Fähigkeit heißt Generalisierung.
Wer dasselbe Material zum Lernen und zur abschließenden Prüfung verwendet, kann nicht zuverlässig erkennen, ob ein Modell verallgemeinert oder nur Besonderheiten der Trainingsdaten übernommen hat. Deshalb werden Testdaten während des Trainings zurückgehalten.
Überanpassung
Überanpassung liegt vor, wenn ein Modell sehr gut zu den Trainingsdaten passt, bei neuen Daten aber deutlich schlechter arbeitet. Es hat dann Besonderheiten oder Störungen des Trainingsmaterials zu stark übernommen.
Ein Modell soll Züge auf Bildern erkennen. In den Trainingsdaten stehen fast alle Züge auf sichtbaren Gleisen. Das Modell achtet deshalb möglicherweise nur auf Gleise.
Auf den Trainingsbildern wirkt es erfolgreich. Ein Testbild mit Gleisen ohne Zug oder mit einem Zug ohne deutlich sichtbare Gleise kann den Fehler aufdecken. Das Modell hat eine Abkürzung gelernt, die nicht zuverlässig zur eigentlichen Aufgabe passt.
Eine gute Trainingsleistung ist noch kein Beweis für ein gutes Modell. Erst unbekannte Testdaten zeigen, wie gut es generalisiert.
Wie entstehen Verzerrungen und Fehlentscheidungen?
Ein Modell lernt aus den Daten, die es erhält. Sind wichtige Fälle kaum vertreten, Labels fehlerhaft oder Merkmale ungeeignet, kann es systematisch unzuverlässige Ergebnisse erzeugen. Eine solche systematische Schieflage wird häufig Bias oder Verzerrung genannt.
Mögliche Ursachen sind:
- bestimmte Gruppen oder Situationen fehlen in den Trainingsdaten;
- häufige Fälle sind stark überrepräsentiert;
- Labels wurden uneinheitlich oder fehlerhaft vergeben;
- ein Merkmal dient als unbeabsichtigte Abkürzung;
- neue Einsatzbedingungen unterscheiden sich deutlich von den Trainingsbedingungen.
Ein Modell zur Bilderkennung wird fast nur mit hell aufgenommenen Fotos trainiert. Bei dunkler Beleuchtung macht es später häufiger Fehler.
Eine sinnvolle Untersuchung wäre:
- Ergebnisse nach Beleuchtungssituation getrennt betrachten.
- Prüfen, wie diese Situationen in Trainings- und Testdaten vertreten sind.
- Fehlerarten vergleichen, statt nur eine Gesamtquote anzusehen.
- Fehlende oder ungeeignete Beispiele gezielt verbessern.
- Das überarbeitete Modell erneut mit unabhängigen Testdaten prüfen.
Neue Daten verbessern ein Modell nicht automatisch. Fehlerhafte Sensordaten, einseitige Rückmeldungen oder veränderte Bedingungen können seine Leistung sogar verschlechtern.
Auch hohe Genauigkeit allein reicht nicht für jede Anwendung. Je nach Aufgabe müssen außerdem Erklärbarkeit, Datenschutz, Rechenaufwand, Reaktionszeit und die möglichen Folgen eines Fehlers berücksichtigt werden.
Wo begegnet dir maschinelles Lernen?
Maschinelles Lernen kann unterschiedliche Ausgaben erzeugen:
- Spamfilter und Bilderkennung klassifizieren Eingaben;
- Prognosemodelle schätzen Nachfrage, Geräteausfälle oder Preise;
- Empfehlungssysteme ordnen passende Filme oder Produkte zu;
- Sprachsysteme verarbeiten oder erzeugen Texte;
- Systeme zur Betrugserkennung markieren ungewöhnliche Transaktionen;
- Agenten lernen Strategien für Spiele, Robotik oder Routenplanung.
Deep Learning ist dabei kein Gegenbegriff zu maschinellem Lernen, sondern ein Teilgebiet davon. Es verwendet neuronale Netze mit vielen Schichten. Frühe Schichten können einfache Muster erfassen, spätere Schichten verbinden sie zu abstrakteren Merkmalen.
Deep Learning eignet sich unter anderem für komplexe Bild-, Sprach- und Textaufgaben. Es benötigt häufig große Datenmengen und viel Rechenleistung. Seine Entscheidungen sind zudem oft schwerer nachzuvollziehen als die Regeln eines kleinen Entscheidungsbaums.
KI ist der Oberbegriff. Maschinelles Lernen ist ein Teilgebiet der KI. Deep Learning ist wiederum ein Teilgebiet des maschinellen Lernens.
Karteikasten
Überlege zuerst selbst und drehe die Karte anschließend zum Prüfen um.
Alles auf einen Blick
- Maschinelles Lernen
- Grundlage: Daten und numerisch darstellbare Merkmale
- Training: Modellparameter werden an Beispielen angepasst
- Überwacht: Lernen mit bekannten richtigen Ausgaben
- Unüberwacht: Strukturen ohne vorgegebene Antworten suchen
- Bestärkend: Strategien durch Belohnungen entwickeln
- Prüfung: unbekannte Testdaten zeigen Generalisierung
- Risiko: Überanpassung, ungeeignete Daten und Bias
- Einsatz: Klassifikation, Prognose, Empfehlung und Generierung
Abschluss-Check
Wenn du Merkmale, Labels und Vorhersagen auseinanderhalten, die Lernart anhand der Rückmeldung bestimmen und mögliche Datenfehler mit Testfällen untersuchen kannst, hast du den Kern des maschinellen Lernens verstanden.