Supervised Learning ist eine Methode im Machine Learning, die Modelle anhand von Beispieldaten mit Zielvariable trainiert, Muster aus den Daten erkennt und auf Basis dessen Prognosen für unbekannte Datenreihen vornimmt. Praktische Anwendung findet Supervised Learning beispielsweise bei der Empfehlung von Produkten oder Inhalten.

Was ist Supervised Learning? 

Beim Supervised Learning wird Algorithmus angelernt, welcher die Muster und Zusammenhänge von Daten erkennt. Die Trainingsdaten weisen eine bekannte Zielvariable auf. Dafür muss der Datensatz entsprechend vorbereitet sein. Dies ist mit einem hohen menschlichen Aufwand verbunden. Während des Trainings wird das Modell iterativ angepasst, indem der Output des Modells mit der eigentlichen Zielvariable verglichen wird. Je häufiger der Prozess durchgeführt wird, desto mehr eliminieren die Anpassungen des Modells die Fehler. Anhand eines dem Modell unbekannten Testdatensatzes wird die Genauigkeit des Modells bestimmt.

Arten von Supervised Learning 

Es gibt zwei Arten des Supervised Learnings, die sich auf unterschiedliche Problemstellungen konzentrieren – die Klassifikation und die Regression. Bei der Klassifikation werden den Dateneingängen Klassen wie beispielsweise ja/nein oder Hund/Katze zugewiesen. Bei der Regression wird ein numerischer Wert, wie die Umsatzprognose vorhergesagt. 

Anwendungsbeispiele 

Die Anwendungsmöglichkeiten sind groß. Modelle, welche mittels Supervised Learning trainiert werden, können zum Beispiel bei der Betrugserkennung helfen. Auch die Bilderkennung ist ein wichtiger Anwendungsbereich. Außerdem kann man Vorhersagen für numerische Werte, beispielsweise von Unternehmensumsätzen treffen.