Wenn Sie Partnerlinks in unseren Inhalten folgen, erhalten wir möglicherweise eine Provision. Dabei entstehen Ihnen keine zusätzliche Kosten. Wir zeigen transparent, wie Was ist überwachtes Lernen?
Überwachtes Lernen ist ein Ansatz für maschinelles Lernen (ML), bei dem markierte Datensätze und korrekte Ausgaben verwendet werden, um Lernalgorithmen zu trainieren, wie sie Daten klassifizieren oder ein Ergebnis vorhersagen können.
Überwachtes Lernen ist nützlich, um Daten in bestimmte Kategorien zu gruppieren (Klassifizierung) und die Beziehung zwischen Variablen zu verstehen, um Vorhersagen zu treffen (Regression).
Es wird verwendet, um Produktempfehlungen zu geben, Kunden auf der Grundlage von Kundendaten zu segmentieren, Krankheiten auf der Grundlage früherer Symptome zu diagnostizieren und viele andere Aufgaben zu erfüllen.
Techopedia erklärt das überwachte Lernen
Überwachtes Lernen ermöglicht es Maschinen, Objekte, Probleme oder Situationen auf der Grundlage von Daten zu klassifizieren, die in die Maschinen eingespeist werden. Maschinen werden wiederholt mit Daten wie Merkmalen, Mustern, Abmessungen, Farbe und Größe von Objekten, Personen oder Situationen gefüttert, bis sie in der Lage sind, genaue Klassifizierungen vorzunehmen.
Beim überwachten Lernen werden einer Maschine Daten gegeben, die in der Data-Mining-Sprache als Trainingsdaten bezeichnet werden und auf deren Grundlage die Maschine eine Klassifizierung vornimmt. Wenn ein System zum Beispiel Obst klassifizieren soll, erhält es Trainingsdaten wie Farbe, Form, Größe und Größe. Auf der Grundlage dieser Daten wäre es dann in der Lage, Obst zu klassifizieren.
In der Regel benötigt ein System mehrere Iterationen eines solchen Prozesses, um eine genaue Klassifizierung vornehmen zu können. Da es sich bei realen Klassifizierungen wie der Erkennung von Kreditkartenbetrug und der Klassifizierung von Krankheiten um komplexe Aufgaben handelt, benötigen die Maschinen geeignete Daten und mehrere Iterationen von Lernsitzungen, um angemessene Fähigkeiten zu erreichen.
