Maschinelles Lernen aus Daten: mehr Beispiele, höhere Genauigkeit

InformatikDaten, KI und maschinelles LernenAlter 16–17

Ein einfacher Klassifikator lernt aus beschrifteten Beispielen: Er berechnet den Schwerpunkt jeder Klasse und nutzt die Mittelsenkrechte zwischen den beiden Schwerpunkten als Entscheidungsgrenze. Die Lernenden stellen die Anzahl der Trainingsbeispiele, den Anteil falsch beschrifteter Daten und die Einseitigkeit der Datenerhebung ein; das Modell wird neu trainiert und seine Genauigkeit an einem festen Satz von 400 Testbeispielen gemessen. Stammen die Trainingsdaten überwiegend aus einer Gruppe, wirkt die Gesamtgenauigkeit noch hoch, doch für die unterrepräsentierte Gruppe sinkt sie stark – so zeigt sich Verzerrung (Bias) in Daten.