Überwachtes Lernen ist eine Methode des Machine Learning, die Modelle mit gekennzeichneten Daten trainiert, um Vorhersagen zu treffen. Beim überwachten Lernen erlernt ein Modell mithilfe eines Satzes bekannter Eingabedaten und Antworten, wie es eine Klassifikations- oder Regressionsaufgabe ausführt.
Überwachtes Lernen ist eine Form des Machine Learning, bei der gekennzeichnete Daten verwendet werden, um Modelle zu trainieren, die Vorhersagen treffen; der Algorithmus lernt aus einem bekannten Satz von Eingabedaten (Merkmalen) gepaart mit bekannten Antworten oder Ausgaben.
Die zwei Haupttypen sind Klassifikation, die kategoriale Antworten vorhersagt, z. B. ob Teile von Geräten defekt oder einwandfrei sind, und Regression, die kontinuierliche Werte vorhersagt, z. B. Stromlast oder den Batterieladezustand.
Überwachtes Lernen erfordert gekennzeichnete Trainingsdaten mit bekannten Eingaben und Ausgaben, während unüberwachtes Lernen nicht gekennzeichnete Daten verwendet, um ohne menschliches Zutun verborgene Muster zu entdecken. Ergebnisse des überwachten Lernens sind typischerweise genauer, erfordern jedoch zeitaufwändige und möglicherweise teure Datenkennzeichnung.
Anwendungen umfassen medizinische Bildgebung und Tumorerkennung, ECG-Signalklassifikation, Stromlastprognose, Kredit-Scoring, Anomalieerkennung in der Industrieautomation und Schätzung des Batterieladezustands in Elektrofahrzeugen.
Entscheidungsbäume, Support Vector Machine (SVM) und neuronale Netze können sowohl für Klassifikations- als auch für Regressionsaufgaben im Überwachten Lernen angewendet werden.
Die Modellverbesserung umfasst Feature-Engineering (einschließlich Merkmalsauswahl und -transformation) und Hyperparameter-Tuning, um Parameter wie Lernrate, Batch-Größe und Anzahl der Epochen zu identifizieren, die die beste Modellleistung liefern.
MATLAB bietet die Apps Classification Learner und Regression Learner zum Trainieren und Bewerten von Machine-Learning-Modellen, die App Deep Network Designer für neuronale Netze sowie Tools für Datenvorverarbeitung, Feature-Engineering und die Bereitstellung von Modellen auf Embedded-Systemen.
Gekennzeichnete Daten liefern die korrekten Eingabe-Ausgabe-Paare, die dem Modell Muster und Zusammenhänge beibringen und damit die Vorhersagegenauigkeit direkt beeinflussen. Die Qualität und Realitätsnähe der gekennzeichneten Daten sind entscheidend für die Modellleistung und die Generalisierung auf unbekannte Daten.
Ressourcen
Erweitern Sie Ihre Kenntnisse durch Dokumentation, Beispiele, Videos und vieles mehr.