Testen Sie Ihr Wissen

Mit den folgenden Fragen können Sie Ihr Wissen zu den wichtigsten ML-Konzepten festigen.

Vorhersagekraft

Überwachte ML-Modelle werden mit Datasets mit gelabelten Beispielen trainiert. Das Modell lernt, das Label anhand der Features vorherzusagen. Allerdings hat nicht jedes Feature in einem Dataset eine Vorhersagekraft. In einigen Fällen dienen nur wenige Features als Prädiktoren für das Label. Verwenden Sie im folgenden Dataset den Preis als Label und die übrigen Spalten als Features.

Welche drei Features sind Ihrer Meinung nach die besten Prädiktoren für den Preis eines Autos?

Marke_Modell, Jahr, Kilometer

Marke/Modell, Jahr und Kilometer eines Autos sind wahrscheinlich die stärksten Prädiktoren für seinen Preis.

Farbe, Höhe, Marke_Modell

Höhe und Farbe eines Autos sind keine starken Prädiktoren für den Preis eines Autos.

Kilometer, Getriebe, Marke_Modell

Das Getriebe ist kein Hauptprädiktor für den Preis.

Reifengröße, Radstand, Jahr

Reifengröße und Radstand sind keine starken Prädiktoren für den Preis eines Autos.

Überwachtes und nicht überwachtes Lernen

Je nach Problem verwenden Sie entweder einen überwachten oder einen nicht überwachten Ansatz. Wenn Sie beispielsweise den Wert oder die Kategorie, die Sie vorhersagen möchten, im Voraus kennen, verwenden Sie überwachtes Lernen. Wenn Sie jedoch herausfinden möchten, ob Ihr Dataset Segmentierungen oder Gruppierungen ähnlicher Beispiele enthält, verwenden Sie nicht überwachtes Lernen.

Angenommen, Sie haben ein Dataset mit Nutzern für eine Onlineshopping-Website, das es enthält die folgenden Spalten:

Wenn Sie die Arten von Nutzern verstehen möchten, die die Website besuchen, würden Sie überwachtes oder nicht überwachtes Lernen verwenden?

Nicht überwachtes Lernen

Da wir möchten, dass das Modell Gruppen ähnlicher Kunden zusammenfasst, verwenden wir nicht überwachtes Lernen. Nachdem das Modell die Nutzer gruppiert hat, erstellen wir eigene Namen für die einzelnen Cluster, z. B. „Rabattsuchende“, „Schnäppchenjäger“, „Surfer“, „Treue Kunden“ und „Gelegenheitskäufer“.

Überwachtes Lernen, weil ich vorhersagen möchte, zu welcher Klasse ein Nutzer gehört.

Beim überwachten Lernen muss das Dataset das Label enthalten, das Sie vorhersagen möchten. Im Dataset gibt es kein Label, das sich auf eine Nutzerkategorie bezieht.

Angenommen, Sie haben ein Dataset zum Energieverbrauch von Haushalten mit den folgenden Spalten:

Welche Art von ML würden Sie verwenden, um den jährlichen Kilowattstundenverbrauch für ein neu gebautes Haus vorherzusagen?

Überwachtes Lernen

Beim überwachten Lernen werden gelabelte Beispiele verwendet. In diesem Dataset „Kilowattstundenverbrauch pro Jahr“ wäre das Label, da dies der Wert ist, den das Modell vorhersagen soll. Die Features wären „Quadratmeter“, „Standort“ und „Baujahr“.

Nicht überwachtes Lernen

Beim nicht überwachten Lernen werden nicht gelabelte Beispiele verwendet. In diesem Beispiel wäre „Kilowattstundenverbrauch pro Jahr“ das Label, da dies der Wert ist, den das Modell vorhersagen soll.

Angenommen, Sie haben ein Dataset mit Flügen mit den folgenden Spalten:

Wenn Sie die Kosten eines Flugtickets vorhersagen möchten, würden Sie Regression oder Klassifizierung verwenden?

Regression

Die Ausgabe eines Regressionsmodells ist ein numerischer Wert.

Klassifizierung

Die Ausgabe eines Klassifizierungsmodells ist ein diskreter Wert, normalerweise ein Wort. In diesem Fall sind die Kosten eines Flugtickets ein numerischer Wert.

Könnten Sie anhand des Datasets ein Klassifizierungsmodell trainieren, um die Kosten eines Flugtickets als „hoch“, „durchschnittlich“ oder „niedrig“ zu klassifizieren?

Ja, aber wir müssten zuerst die numerischen Werte in der airplane_ticket_cost Spalte in kategoriale Werte umwandeln.

Es ist möglich, ein Klassifizierungsmodell aus dem Dataset zu erstellen. Sie würden etwa so vorgehen:

1. Ermitteln Sie die durchschnittlichen Kosten für ein Ticket vom Abflugort zum Zielort.
2. Bestimmen Sie die Grenzwerte für „hoch“, „durchschnittlich“, und „niedrig“.
3. Vergleichen Sie die vorhergesagten Kosten mit den Grenzwerten und geben Sie die Kategorie aus, in die der Wert fällt.

Nein, es ist nicht möglich, ein Klassifizierungsmodell zu erstellen. Die airplane_ticket_cost Werte sind numerisch und nicht kategorial.

Mit etwas Aufwand können Sie ein Klassifizierungs modell erstellen.

Nein. Klassifizierungsmodelle sagen nur zwei Kategorien voraus, z. B. spam oder not_spam. Dieses Modell müsste drei Kategorien vorhersagen.

Klassifizierungsmodelle können mehrere Kategorien vorhersagen. Sie werden als Multiklassen-Klassifizierungsmodelle bezeichnet.

Training und Evaluierung

Nachdem wir ein Modell trainiert haben, evaluieren wir es mit einem Dataset mit gelabelten Beispielen und vergleichen den vorhergesagten Wert des Modells mit dem tatsächlichen Wert des Labels.

Wählen Sie die beiden besten Antworten auf die Frage aus.

Wenn die Vorhersagen des Modells weit daneben liegen, was können Sie tun, um sie zu verbessern?

Trainieren Sie das Modell noch einmal, verwenden Sie aber nur die Features, die Ihrer Meinung nach die stärkste Vorhersagekraft für das Label haben.

Wenn Sie das Modell mit weniger Features trainieren, die aber eine höhere Vorhersagekraft haben, kann ein Modell mit besseren Vorhersagen entstehen.

Ein Modell, dessen Vorhersagen weit daneben liegen, kann nicht korrigiert werden.

Es ist möglich, ein Modell zu korrigieren, dessen Vorhersagen nicht stimmen. Die meisten Modelle müssen mehrmals trainiert werden, bis sie nützliche Vorhersagen treffen.

Trainieren Sie das Modell noch einmal mit einem größeren und vielfältigeren Dataset.

Modelle, die mit Datasets mit mehr Beispielen und einer größeren Bandbreite an Werten trainiert wurden, können bessere Vorhersagen treffen, da das Modell eine bessere verallgemeinerte Lösung für die Beziehung zwischen den Features und dem Label hat.

Versuchen Sie einen anderen Trainingsansatz. Wenn Sie beispielsweise einen überwachten Ansatz verwendet haben, versuchen Sie einen nicht überwachten Ansatz.

Ein anderer Trainingsansatz würde keine besseren Vorhersagen liefern.

Sie sind jetzt bereit für den nächsten Schritt auf Ihrem Weg mit ML:

• Crashkurs „Machine Learning“ Wenn Sie bereit sind für einen umfassenden, praktischen Ansatz, um mehr über ML zu erfahren.

• Problem Framing Wenn Sie einen praxiserprobten Ansatz zum Erstellen von ML-Modellen und Vermeiden häufiger Fehler suchen.

• People + AI Guidebook Wenn Sie praktische Anleitungen zum Entwerfen von nutzerorientierten KI-Produkten suchen.