Die meisten denken, ein Modell lerne, indem es einfach richtige Antworten auswendig nimmt. Dabei braucht es zuerst eine Zahl, die misst, wie falsch es gerade liegt.

Ohne diese Zahl wüsste niemand, ob Training Fortschritt bringt. Die Verlustfunktion macht aus Fehlern etwas Messbares.

🧠 Die Verlustfunktion übersetzt Fehlentfernung in genau eine Zahl. Sie ist eine mathematische Vorschrift, die aus der Vorhersage des Modells und der bekannten richtigen Antwort (dem Label) eine einzelne Zahl berechnet. Ein kleiner Wert bedeutet geringe Abweichung, ein großer Wert starke Fehlentfernung. Beim Training werden die Parameter (die gelernten Gewichte des Modells) dann so verändert, dass dieser Verlust sinkt.

📊 Am Hauspreisbeispiel wird die Idee greifbar. Liegt der echte Preis bei dreihunderttausend Euro und die Vorhersage nur tausend Euro daneben, ist der Verlust klein. Liegt sie um hunderttausend daneben, ist derselbe Vorgang mit einem großen Verlust verbunden – genau dieser Unterschied treibt die Parameteranpassung. Bei Regressionsaufgaben ist der mittlere quadratische Fehler gängig: Er quadriert die Differenz, sodass große Abweichungen stärker ins Gewicht fallen.

🔍 Der Verlustverlauf ist der sichtbare Lernfortschritt. Der Gradientenabstieg nutzt die Zahl als Kompass, um für jeden Parameter die Richtung zu berechnen, in der der Verlust am stärksten abnimmt; die Lernrate setzt die Schrittweite. Sinkt der Verlust über die Epochen (volle Durchläufe der Trainingsdaten), lernt das Modell. Der Wert allein sagt dabei wenig aus, weil er von der Skala der Daten abhängt.

Verlust heißt nicht Genauigkeit, sondern gemessene Distanz zur richtigen Antwort.

📌 Verlustfunktion · Gradientenabstieg · Lernfortschritt

📚 KI von Grund auf · Tag 2 von 30
#machinelearning #ki #deeplearning