Überwachtes Lernen funktioniert wie Lernen mit Musterlösung. Wer nur Aufgaben ohne Lösungen bekommt, muss trotzdem etwas lernen können – nur völlig anders.

Beim Üben mit Musterlösung wird jede Antwort aufgeschlagen und korrigiert. Der Lernende merkt, was er falsch gemacht hat, und passt sein Vorgehen an. Mit der Zeit trifft er Antworten, die in der Lösung nicht stehen.

Bei Machine Learning ist die Musterlösung das Label: die bekannte, richtige Antwort zu einem Beispiel. Die Merkmale (Features) sind die Eingangsgrößen, aus denen das Modell seine Vorhersage ableitet; das Label ist die Zielgröße, die vorhergesagt werden soll. Während des Trainings, also des Anpassens der Modellparameter, misst eine Verlustfunktion (Loss), wie weit die Vorhersage vom Label entfernt ist; die Parameter werden so verändert, dass der Verlust sinkt. Das fertige Modell wird dann in der Inferenz auf neue Eingaben angewendet.

Ein Spamfilter ist ein klassisches Beispiel. Merkmale sind Wörter und Absenderdaten einer E-Mail, das Label lautet „Spam“ oder „kein Spam“ und stammt von Menschen. Solche Kategorien vorherzusagen heißt Klassifikation; einen Zahlenwert wie einen Preis vorherzusagen heißt Regression. Weil die Vorhersage mit dem Label verglichen werden kann, lässt sich der Fehler exakt messen.

Das Bild hat eine Grenze: Ohne Musterlösung, also ohne Labels, nutzen überwachte Verfahren die Daten nicht. Unüberwachtes Lernen findet stattdessen Strukturen, etwa Gruppen ähnlicher Kunden, und lässt sich deshalb anders bewerten – es gibt schlicht keine richtige Antwort zum Vergleichen.

Überwachtes Lernen heißt nicht „besser kontrolliertes Lernen“, sondern Lernen aus Beispielen, denen die richtige Antwort mitgeliefert wird. Die Leitfrage lautet: Ist zu jedem Beispiel die richtige Antwort als Label mitgeliefert?

📌 Supervised Learning · Label · Klassifikation

📚 KI von Grund auf · Tag 1 von 30
#machinelearning #ki #deeplearning