Grundlagen des Machine Learning¶
Was ist Künstliche Intelligenz (AI)?¶
Künstliche Intelligenz bezeichnet Computersysteme, die Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern, wie Sprachverständnis, Entscheidungsfindung und Problemlösung.
Was ist Machine Learning?¶
Machine Learning ist ein Teilbereich der AI, bei dem Computersysteme aus Daten lernen und sich verbessern, ohne explizit programmiert zu werden. Algorithmen analysieren Daten und leiten daraus Muster oder Entscheidungen ab.
Was ist ein Modell?¶
Ein Modell ist eine mathematische Repräsentation eines Prozesses, das durch Trainingsdaten erstellt wird. Es enthält gelernten Parameter, um Vorhersagen für neue Daten zu treffen. Diese Parameter werden während des Trainingsprozesses durch Optimierung angepasst. Der Fehler (der Unterschied zwischen den Vorhersagen des Modells und den tatsächlichen Ergebnissen) wird berechnet und verwendet, um das Modell zu verbessern.
Input Features und Output¶
Input Features sind die Merkmale, die das Modell nutzt, um Vorhersagen zu treffen, wie z. B. Wohnfläche (m²) und Anzahl der Zimmer beim Vorhersagen des Hauspreises. Diese Features können numerisch oder kategorisch sein.
Output ist das Ergebnis des Modells, das eine Vorhersage basierend auf den Input Features darstellt, wie z. B. der Preis eines Hauses oder die Kategorie einer E-Mail (z. B. „Spam“ oder „Nicht-Spam“).
Was ist eine Regression?¶
Regression ist eine Methode zur Vorhersage kontinuierlicher Werte, basierend auf dem Zusammenhang zwischen Eingabe- und Zielvariablen.
Beispiel für Regression¶
Angenommen, wir wollen den Preis eines Hauses vorhersagen. Wir nutzen Wohnfläche (m²) und Anzahl der Zimmer als Input Features. Das Modell gibt dann einen kontinuierlichen Wert – den Preis des Hauses – als Output zurück.
Residuen¶
Residuen (oder Fehler) sind die Differenzen zwischen den tatsächlichen und den vorhergesagten Werten eines Modells. Für ein einzelnes Beispiel berechnet man das Residuum, indem man den tatsächlichen Wert vom vorhergesagten Wert subtrahiert:
Residuen geben an, wie gut oder schlecht das Modell bei der Vorhersage von Ergebnissen ist. Wenn die Residuen nahe null sind, bedeutet dies, dass das Modell gute Vorhersagen trifft. Grosse Residuen deuten darauf hin, dass das Modell Fehler gemacht hat, die verbessert werden sollten.
Metriken¶
Metriken sind Masse, die verwendet werden, um die Leistung eines Modells zu bewerten, insbesondere im Hinblick auf die Fehler, die es macht. Zwei der häufigsten Metriken im Bereich der Regression sind Mean Absolute Error (MAE) und Mean Squared Error (MSE).
Mean Absolute Error (MAE)¶
Der Mean Absolute Error (MAE) misst den durchschnittlichen absoluten Fehler zwischen den tatsächlichen und den vorhergesagten Werten. Es wird berechnet, indem die absoluten Werte der Residuen gemittelt werden:
Vorteil: MAE ist leicht zu verstehen, da es einfach den Durchschnitt der absoluten Fehler misst. Ein niedriger MAE-Wert zeigt, dass das Modell im Durchschnitt genau ist.
Mean Squared Error (MSE)¶
Der Mean Squared Error (MSE) misst den durchschnittlichen quadratischen Fehler zwischen den tatsächlichen und den vorhergesagten Werten. Es wird berechnet, indem die quadratischen Residuen gemittelt werden:
Vorteil: MSE bestraft grössere Fehler stärker, da grössere Fehler quadratisch wachsen. Das bedeutet, dass das Modell dazu tendiert, Fehler zu minimieren, die besonders gross sind. MSE wird häufig bevorzugt, wenn grosse Fehler zu vermeiden sind.