ÜberwachtLernen

Überwachtes Lernen, auch bekannt als supervised learning, ist eine Gruppe von Methoden des maschinellen Lernens, bei der ein Modell eine Abbildung von Eingabedaten zu Zielwerten aus einem gekennzeichneten Datensatz erlernt. Ziel ist es, eine Funktion f zu finden, die y = f(x) möglichst gut vorhersagt, gemessen an einem Verlustmaß wie L(y, f(x)).

Es gliedert sich in Regression und Klassifikation. Bei Regression wird ein kontinuierlicher Wert vorhergesagt (z. B. Preis, Temperatur); bei Klassifikation werden diskrete Klassen vorhergesagt (z. B. Spam oder Nicht-Spam).

Typischer Ablauf: Datensatz mit Merkmalen X und Ziel Y; Aufteilung in Trainings-, Validierungs- und Testdaten; Modellwahl; Training; Hyperparameterabstimmung; Evaluation; ggf. Regularisierung zur Vermeidung von Overfitting; Kreuzvalidierung.

Beliebte Algorithmen umfassen lineare und logistische Regression, Entscheidungsbäume, Random Forests, Gradient Boosting, Support Vector Machines und neuronale Netze.

Anwendungen finden sich in Spam-Erkennung, Bild- und Spracherkennung, medizinischer Diagnostik, Finanzprognosen und Betrugserkennung.

Herausforderungen sind der Bedarf an gelabelten Daten, Datenqualität und Verzerrungen, Überanpassung und Generalisierung, Nicht-Stationarität von Daten sowie Begrenzungen der Interpretierbarkeit.

Bewertung erfolgt anhand geeigneter Metriken: Bei Klassifikation etwa Genauigkeit, Präzision, Recall, F1-Score und ROC-AUC; bei Regression etwa RMSE, MAE und R^2.