Spam oder kein Spam – Preis in Euro: Beide Fragen stellt ein Modell. Einmal lautet die Antwort eine Kategorie, einmal eine Zahl.

Die Verwechslung entsteht, weil dasselbe Modell beide Aufgaben lösen kann. Der Unterschied liegt nicht im Modelltyp, sondern allein in der Art des Labels, also der Zielgröße, die vorhergesagt werden soll.

Klassifikation sagt eine Kategorie voraus. Aus Merkmalen – das sind Eingangsgrößen wie Wörter und Absenderdaten einer E-Mail – wählt das Modell eine feste Antwort wie „Spam“ oder „kein Spam“. Die Ausgabe ist also eine von genau zwei festen Kategorien, nicht eine Zahl. Ein typisches Beispiel ist der Spamfilter: Menschen haben E-Mails vorher als Spam markiert, und das Modell lernt daraus.

Regression sagt einen Zahlenwert voraus. Das Modell schätzt aus Merkmalen eine messbare Menge, etwa aus Fläche, Baujahr und Lage eines Hauses den Verkaufspreis. Eine Abweichung von tausend Euro ist fast richtig, eine von hunderttausend Euro fast falsch. Solche Zwischentöne gibt es bei Kategorien nicht.

Der entscheidende Unterschied steckt in der Frageform: „Welche Kategorie ist es?“ führt zur Klassifikation, „Wie viel?“ zur Regression. Weil nur bei der Regression Abstände existieren, misst man sie mit dem mittleren quadratischen Fehler; die Klassifikation misst Genauigkeit, also den Anteil richtiger Vorhersagen. Die Aufgabenwahl bestimmt damit Metrik und Ausgabeform.

Faustregel: Bei Zahlen zuerst fragen, ob sie eine messbare Menge beschreiben oder nur ein Etikett. Eine Hausnummer kennzeichnet nur eine Kategorie – sie vorherzusagen ist Klassifikation, obwohl sie wie eine Zahl aussieht.

Klassifikation heißt nicht „mit Zahlen rechnen“, sondern „eine Kategorie wählen“; Regression heißt „eine Menge schätzen, bei der Nähe zählt“.

📌 Klassifikation vs. Regression · Label-Art · Metrikwahl

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