Supervised Learning (überwachtes Lernen) ist die wichtigste Methode des Machine Learning: Das Modell lernt aus einem Dataset mit bekannten Antworten (Labels) und verallgemeinert daraus Regeln für neue, unbekannte Fälle.
So funktioniert überwachtes Lernen
- Ein Dataset mit Labels wird vorbereitet — z.B. E-Mails mit der Markierung „Spam" oder „kein Spam".
- Das Modell macht Vorhersagen und vergleicht sie mit den echten Labels.
- Den Fehler nutzt der Lernalgorithmus, um die internen Gewichte anzupassen (z.B. per Backpropagation in neuronalen Netzen).
- Nach vielen Durchläufen (Epochen) sinkt der Fehler — das Modell hat gelernt.
Der „Lehrer" sind dabei die Labels: Ohne sie gäbe es nichts, an dem sich das Modell korrigieren könnte.
Zwei Aufgabenarten
- Klassifikation: Das Modell ordnet Eingaben einer Kategorie zu (Spam oder nicht, Katze oder Hund, Krankheit oder gesund).
- Regression: Das Modell sagt einen Zahlenwert voraus (Hauspreis, Temperatur, Umsatz).
Bekannte Verfahren
- Lineare/logistische Regression — einfache, gut erklärbare Modelle.
- Entscheidungsbäume und Random Forests — robust und interpretierbar.
- Support Vector Machines — stark bei kleineren Datasets.
- Neuronale Netze — leistungsfähig bei großen Datenmengen, Grundlage von Deep Learning.
Stärken und Grenzen
Supervised Learning liefert präzise Vorhersagen, verlangt aber qualitativ gute, beschriftete Daten — deren Erstellung oft teuer ist. Zudem lernt das Modell nur, was in den Daten steckt: Verzerrungen (Bias) im Dataset übernimmt es ungefiltert. Gegenüber dem Unsupervised Learning ist es deutlich genauer, dafür aber aufwändiger in der Vorbereitung.
Verwandte Grundlagen: Maschinelles Lernen, Neuronale Netze, Overfitting.