
Überwachtes Lernen ist ein Paradigma des maschinellen Lernens, bei dem Eingabeobjekte, dargestellt als Vektor von Variablen, und ein gewünschter Ausgabewert verwendet werden, um ein Modell mit beschrifteten Daten zu trainieren. Die Trainingsdaten werden verarbeitet, um eine Funktion zu konstruieren, die neue Daten den erwarteten Ausgabewerten zuordnet.
Überwachtes Lernen ist eine Kategorie des maschinellen Lernens, die beschriftete Datensätze verwendet, um Algorithmen zu trainieren, Ergebnisse vorherzusagen und Muster zu erkennen. Im Gegensatz zum unüberwachten Lernen erhalten überwachende Lernalgorithmen beschriftete Trainingsdaten, um die Beziehung zwischen Eingaben und Ausgaben zu erlernen. [2]
Überwachtes Lernen im maschinellen Lernen wird im Allgemeinen in zwei Kategorien unterteilt: Klassifikation und Regression. Klassifikationsmodelle berücksichtigen kategoriale Werte, während Regressionsmodelle kontinuierliche Werte vorhersagen.
Klassifikationsalgorithmen werden verwendet, um Daten zu gruppieren, indem sie ein kategorisches Label basierend auf den Eingabedaten vorhersagen. Bei einer binären Klassifikation werden die Daten in zwei verschiedene Kategorien unterteilt, während bei einer Mehrklassenklassifikation der Algorithmus eine Auswahl zwischen mehreren Klassen trifft, um die Zielvariable zu definieren. [3]
Regressionsalgorithmen werden verwendet, um einen kontinuierlichen Wert vorherzusagen, wobei der Algorithmus eine Beziehung zwischen zwei oder mehr Variablen erkennt. Ein Beispiel für eine Regressionsaufgabe könnte die Vorhersage eines Gehalts basierend auf der Berufserfahrung sein. Zum Beispiel würde ein überwachter Lernalgorithmus Eingaben erhalten, die sich auf die Berufserfahrung beziehen (z. B. Dauer, Branche oder Fachgebiet, Standort usw.) und das entsprechende zugewiesene Gehalt. Nach dem Training des Modells könnte es verwendet werden, um das durchschnittliche Gehalt basierend auf der Berufserfahrung vorherzusagen. [2]
Überwachte Lernmodelle finden in verschiedenen Geschäftsszenarien Anwendung:
Risikobewertung: Im Finanzsektor unterstützt überwachtes maschinelles Lernen Banken und andere Finanzdienstleister dabei, die Wahrscheinlichkeit vorherzusagen, dass Kunden Kredite nicht zurückzahlen, und hilft so, Risiken in ihren Portfolios zu minimieren.
Bildklassifikation: Diese Modelle werden häufig verwendet, um Objekte in Bildern und Videos zu klassifizieren. Zum Beispiel kann ein Algorithmus trainiert werden, um Personen in Bildern zu erkennen und sie automatisch auf sozialen Medien zu markieren.
Betrugserkennung: Überwachtes Lernen bildet die Grundlage vieler Systeme zur Betrugserkennung und ermöglicht es Unternehmen, betrügerische Aktivitäten zu identifizieren. Diese Modelle werden mit Datensätzen trainiert, die sowohl betrügerische als auch nicht betrügerische Aktivitäten enthalten, sodass sie verdächtige Aktivitäten in Echtzeit erkennen können.
Empfehlungssysteme: Online-Plattformen und Streaming-Dienste nutzen überwachende Lernalgorithmen, um das Benutzererlebnis durch personalisierte Empfehlungen zu verbessern. Diese Algorithmen analysieren frühere Kundenaktivitäten und Kaufhistorien, um wertvolle Informationen über Benutzerpräferenzen zu gewinnen. [2]
[1] Überwachtes Lernen, Wikipedia
[2] Was ist überwachtes Lernen?, Google Cloud
[3] Anwendungsfälle für überwachtes maschinelles Lernen, emeritus.org