Supervised Learning — Lernen mit Lehrer
Supervised Learning: das ML-Paradigma, bei dem jemand vorher fleißig beschriftet hat.
Wenn du mit Karteikarten lernst, steht die richtige Antwort schon auf der Rückseite, bevor du umdrehst — genau das ist das Grundprinzip von Supervised Learning. Die Maschine sieht Tausende solcher Karteikarten (Daten mit korrekten Antworten) und lernt, die Antwort für Karten vorherzusagen, die sie noch nie gesehen hat.
Im vorherigen Artikel hast du erfahren, dass ML-Modelle aus Daten lernen statt expliziten Regeln zu folgen. Jetzt schauen wir uns die häufigste Form dieses Lernens an: Supervised Learning, bei dem jedes Trainingsbeispiel eine korrekte Antwort mitbringt.
Features & Labels — Das Rohmaterial
Definition
Feature & Label
Analogie
Definition
Die Karteikarten-Analogie hat einen produktiven Nebeneffekt: Du könntest denken, das Modell lernt die Karten irgendwann auswendig. Genau das ist tatsächlich ein reales Problem — man nennt es Overfitting, und wir kommen gleich darauf zurück.
Konkretes Beispiel: Ein Spamfilter bekommt 10.000 gelabelte E-Mails. Features sind Worthäufigkeiten, Absender-Domain und Anzahl der Links. Labels: "Spam" oder "Kein Spam" (von Menschen zugewiesen). Das Modell sieht 8.000 gelabelte E-Mails beim Training und muss die restlichen 2.000, die es nie gesehen hat, korrekt klassifizieren.
Labels sind nicht immer korrekt. Menschliche Annotatoren sind sich manchmal uneinig, machen Fehler oder wenden inkonsistente Kriterien an. Bei einem Spamfilter markiert ein Annotator vielleicht einen Newsletter als Spam, ein anderer nicht.
Ein Modell, das auf verrauschten Labels trainiert wird, lernt die Fehler des Lehrers, als wären sie korrekte Muster. Die Qualität der Labels bestimmt die Obergrenze der Modellleistung genauso stark wie deren Menge.
Interaktiv: Feature-Label-Zuordnung
Im Spamfilter-Beispiel oben hast du gesehen, wie Features und Labels zusammenwirken. Hier kannst du selbst ausprobieren, wie drei Merkmale einer E-Mail die Vorhersage beeinflussen. Die Gewichte (×2, ×3, −5) und der Schwellenwert 7 sind hier fest vorgegeben — beim Supervised Learning würde das Modell genau diese Zahlen aus den gelabelten E-Mails lernen.
Feature-Label-Zuordnung
Drei Merkmale (Features) einer E-Mail bestimmen, ob sie als Spam eingestuft wird. Verschiebe die Regler und beobachte, wie sich die Vorhersage ändert.
3×2 + 2×3 − 0 = 12Klassifikation vs. Regression — Zwei Arten der Vorhersage
Je nach Art des Labels unterscheidet man zwei grundlegende Aufgabentypen im Supervised Learning. Der Unterschied wird vollständig durch die Natur des Labels bestimmt — nicht durch die Features.
Sagt diskrete Kategorien vorher — wie eine Sortiermaschine, die fragt: "In welche Schublade gehört das?" Beispiele: Spam/Kein Spam, Katze/Hund/Vogel, gutartig/bösartig.
Sagt kontinuierliche Zahlenwerte vorher — wie eine Waage, die fragt: "Wie schwer ist das?" Beispiele: Hauspreis in Euro, Temperatur in Grad, Aktienkurs.
Gleiches Datenset, unterschiedliche Fragen: Bei Patientendaten wird die Frage "Ist der Tumor gutartig oder bösartig?" zur Klassifikation (Label ist 0 oder 1). Die Frage "Wie groß wird der Tumor in sechs Monaten (in mm)?" wird zur Regression (Label ist eine kontinuierliche Messung). Gleiche Features, anderer Label-Typ, völlig anderer ML-Ansatz.
Grauzone: Eine Produktbewertung (1–5 Sterne) kann als Regression ("sage 4,2 Sterne vorher") oder als 5-Klassen-Klassifikation behandelt werden. Die Wahl hängt davon ab, ob der Abstand zwischen 3 und 4 Sternen als Distanz relevant ist.
Interaktiv: Supervised vs. Unsupervised vs. Semi-Supervised
Zwischen „alles gelabelt“ und „nichts gelabelt“ gibt es Mischformen. Das Diagramm zeigt eine davon: Semi-Supervised Learning.
Der Supervised-Learning-Workflow
Supervised Learning folgt einer festen Pipeline aus fünf Schritten. Der wichtigste Schutzmechanismus dabei: der Train-Test-Split — er deckt auf, ob das Modell nur auswendig gelernt hat.
- 1. Daten sammeln & labeln
- 2. Aufteilen: ~80% Training, ~20% Test
- 3. Modell auswählen & trainieren
- 4. Auf Testdaten evaluieren
- 5. Modell deployenInference — das Modell auf neue, echte Daten anwenden
Stell dir eine Prüfungsvorbereitung vor: Du übst mit Übungsaufgaben (Trainingsset), aber die echte Klausur (Testset) enthält Aufgaben, die du noch nie gesehen hast. Wenn du nur die Übungsantworten auswendig gelernt hast, ohne die Prinzipien zu verstehen, fällst du durch die Klausur. Das ist Overfitting.
Keine Sorge, du musst das nicht programmieren können — es zeigt nur, wie kurz so etwas in der Praxis ist. In Python mit scikit-learn:
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_diabetes
X, y = load_diabetes(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LinearRegression().fit(X_train, y_train)
print(f"Test-Score: {model.score(X_test, y_test):.2f}")Zeile 5 lädt Daten mit Features (X) und Labels (y). Zeile 6 teilt 80/20 auf. Zeile 7 trainiert ein lineares Regressionsmodell. Zeile 8 bewertet es auf den ungesehenen Testdaten. Der Datensatz enthält Messwerte von 442 Diabetes-Patienten; das Label ist eine Zahl für den Krankheitsverlauf ein Jahr später — deshalb Regression. Der Score (R²) ist 1,0 bei perfekter Vorhersage und 0 bei einem Modell, das stur den Durchschnitt rät. Hier landest du meist knapp unter 0,5, je nach zufälliger Aufteilung etwas höher oder tiefer – für diesen schwierigen Datensatz normal. Overfitting zeigt erst ein großer Abstand zum Score auf den Trainingsdaten.
Achtung
Häufige Fehlvorstellungen
- "Labels sind immer korrekt." — In Wirklichkeit ist Label Noise ein reales Problem. Annotatoren machen Fehler, und das Modell lernt diese Fehler als Muster.
- "Mehr Daten helfen immer." — Mehr schlechte Labels verschlechtern das Modell. Qualität schlägt Quantität.
- "Die Grenze zwischen Klassifikation und Regression ist immer klar." — Sternebewertungen (1–5) können als beides behandelt werden.
Transfer Learning erlaubt es, ein auf Millionen Beispielen vortrainiertes Modell zu nehmen und es mit nur wenigen Hundert gelabelten Datenpunkten an eine neue Aufgabe anzupassen. Das vortrainierte Modell hat bereits allgemeine Muster gelernt (z.B. Kanten und Texturen bei Bildern), sodass oft nur die letzte Entscheidungsschicht neu trainiert werden muss.
Praktisches Beispiel: Ein Unternehmen hat nur 200 gelabelte Bilder für eine Produkterkennung. Mit einem auf ImageNet (Millionen von Bildern) vortrainierten Modell reichen diese 200 Beispiele aus, um einen funktionierenden Klassifikator zu trainieren.
ImageNet: Der Datensatz der alles veränderte
Die Schaffung des Datensatzes, der die Deep Learning-Entwicklung ermöglichte. 2009 stellte Fei-Fei Li mit ihrem Team das ImageNet-Paper vor und präsentierte eine visuelle Datenbank, die Computer Vision transformieren sollte – zum Launch waren es rund 3,2 Millionen handannotierte Bilder in etwa 5.200 Kategorien. Auf seine volle Größe ausgebaut umfasste ImageNet später über 14 Millionen handannotierte Bilder und rund 22.000 Kategorien, basierend auf WordNet-Hierarchien, und adressierte so den kritischen Engpass: den Mangel an großen, qualitativ hochwertigen Trainingsdaten. Die Annotation erfolgte im Lauf des Projekts durch rund 49.000 Worker aus 167 Ländern via Amazon Mechanical Turk – ein beispiellos kollaboratives Projekt. Was als Poster in einer Ecke eines Miami Beach-Konferenzzentrums begann, entwickelte sich zur jährlichen ImageNet Challenge (ILSVRC) und wurde zu einem der drei Treiber der modernen KI-Entwicklung. ImageNet ermöglichte AlexNets 2012er-Durchbruch und legte das Fundament für autonome Fahrzeuge, Gesichtserkennung und medizinische Bildgebung.
Merke
Die wichtigsten Erkenntnisse
- Supervised Learning braucht gelabelte Daten — Features (Eingabe) gepaart mit Labels (korrekte Ausgabe). Ohne Labels hat das Modell keinen Lehrer.
- Klassifikation sagt Kategorien vorher (Spam/Kein Spam), Regression sagt Zahlen vorher (Hauspreis in Euro). Dieselben Daten können je nach Fragestellung für beides dienen.
- Der Train-Test-Split ist der wichtigste Schutzmechanismus: Ein Modell, das nur auf bereits gesehenen Daten gut abschneidet (Overfitting), ist in der Praxis nutzlos.
Prüfen
Quiz: Supervised Learning
Was ist ein "Label" in einem Supervised-Learning-Datensatz?
Wähle eine Antwort
1. Was ist ein "Label" in einem Supervised-Learning-Datensatz?
2. Ein Krankenhaus möchte anhand von Bluttests vorhersagen, ob ein Patient Diabetes hat (ja/nein). Welche Art von Supervised-Learning-Aufgabe ist das?
3. Ein Immobilienunternehmen hat Daten zu 5.000 Wohnungen (Größe, Stockwerk, Lage) mit Verkaufspreisen. Sie teilen die Daten 80/20 auf. Das Modell erreicht 0,99 auf Trainingsdaten, aber nur 0,45 auf Testdaten. Was ist das wahrscheinlichste Problem?
4. Ein Onlineshop hat Produktbewertungen von 1 bis 5 Sternen. Ein Entwickler möchte Bewertungen für neue Produkte vorhersagen. Er könnte das als Klassifikation (5 Klassen) oder Regression (eine Zahl) behandeln. Welche Überlegung ist am relevantesten?
5. Ein Team trainiert einen Spamfilter mit 10.000 E-Mails. Sie entdecken, dass 500 E-Mails falsch gelabelt wurden (Spam als Kein-Spam markiert und umgekehrt). Wie lässt sich die Auswirkung am treffendsten beschreiben?
6. Ein Unternehmen hat nur 200 gelabelte Bilder, braucht aber einen Bildklassifikator. Ein Kollege schlägt Transfer Learning mit einem auf Millionen Bildern vortrainierten Modell vor. Warum kann das trotz des kleinen Datensatzes funktionieren?
Prüfen
Verständnisprüfung
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen