Supervised Learning — Lernen mit Lehrer
Supervised Learning: Trainingsdaten enthalten Eingabe (X) UND korrekte Ausgabe (y). Modell lernt die Funktion f, sodass f(X) ≈ y.
Zwei Hauptaufgaben
| Aufgabe | Output | Beispiele |
|---|---|---|
| Klassifikation | Diskrete Kategorie | Spam/nicht Spam, Katze/Hund, gute/schlechte Bewertung |
| Regression | Kontinuierlicher Wert | Hauspreis, Temperatur, Aktienkurs |
Wichtige Algorithmen
- Lineare/Logistische Regression: Einfach, interpretierbar, Standard-Baseline.
- Decision Trees: Wenn-Dann-Regeln, gut visualisierbar.
- Random Forest: Viele Trees zusammen — robuster.
- Gradient Boosting (XGBoost, LightGBM): Standard für tabellarische Daten 2026.
- Support Vector Machines: Klassisch, gut bei kleinen Datensätzen.
- Neural Networks: Bei riesigen Datensätzen und unstrukturierten Daten (Bilder, Text).
Train-Test-Split
Trenne Daten in Training (~80%) und Test(~20%). Trainiere auf Train, evaluiere auf Test. Niemals beim Training auf Test schauen — sonst "Data Leak".
OverfittingModell lernt Trainingsdaten auswendig statt Muster. Train-Accuracy 99 %, Test-Accuracy 70 %. Lösung: weniger komplexe Modelle, mehr Daten, Regularisierung, Cross-Validation.