Skip to main content
Maschinelles Lernen und Evaluation
Alle Lehrpfade3. Grundlagen der Künstlichen Intelligenz
intermediate+30 XP

Maschinelles Lernen und Evaluation

💡 Die Kernidee im Alltag:

"Trainingsdaten, Generalisierung und Metriken kritisch bewerten."

Konzepte verständlich erklärt (für Einsteiger jeden Alters)

Lernziele

Trainingsdaten, Generalisierung und Metriken kritisch bewerten. Nach dieser Lektion kannst du das Konzept erklären, ein kleines Beispiel umsetzen und typische Grenzen benennen.

Erklärung

Ein Modell passt Parameter anhand von Trainingsdaten an. Validierungsdaten helfen bei Modell- und Hyperparameterwahl; Testdaten schätzen abschließend Generalisierung. Overfitting merkt sich Trainingsbeispiele. Datenleckage lässt Informationen in Training fließen, die zum Vorhersagezeitpunkt nicht verfügbar wären.

Schrittweises Beispiel

Bei unausgewogenen Klassen kann Accuracy täuschen. Precision misst Trefferqualität positiver Vorhersagen, Recall den Anteil gefundener positiver Fälle. Wähle eine Metrik nach den Fehlerkosten.

true_positive = 8
false_positive = 2
precision = true_positive / (true_positive + false_positive)
print(precision)

Zusammenfassung

Trenne Daten sauber und bewerte gegen den tatsächlichen Einsatzfall.

Lerncheck & Übung

Etwa 35 Minuten · intermediate

Das lernst du

  • Erkläre die Kernidee von „Maschinelles Lernen und Evaluation“ in eigenen Worten.
  • Wähle eine passende Technik für einen konkreten Anwendungsfall.
  • Erkenne mindestens eine typische Fehlerquelle.

Voraussetzungen

  • Keine Zugriffsvoraussetzungen. Vorwissen wird in der Erklärung eingeführt.

Häufige Fehler

  • Testdaten wiederholt zur Modellwahl einzusetzen macht sie faktisch zum Validierungsdatensatz. Zufälliges Splitten von Zeitreihen kann Zukunftsinformation leaken.

Wissenscheck

Wozu dient ein separater Testsatz?

Praktische Aufgabe

Berechne Precision aus 8 echten positiven Treffern und 2 falschen positiven Vorhersagen.

KI-Power-Tipp für Entwickler
Empfohlener Assistent: Optionaler Lernpartner (ohne Verbindung aus dieser Plattform)
Golden Prompt für deinen Editor:
Prüfe meine Erklärung zu „Maschinelles Lernen und Evaluation“: Nenne eine fehlende Annahme und stelle mir eine Gegenfrage.
Qualitäts-Prüfung: Vergleiche die Antwort mit dem Beispiel und prüfe Randfälle eigenständig.

Interaktive Übung & lokaler Testlauf

Berechne Precision aus 8 echten positiven Treffern und 2 falschen positiven Vorhersagen.

Hinweise auf Wunsch anzeigen
  • Zerlege die Aufgabe in Eingabe, Verarbeitung und erwartete Ausgabe.
  • Prüfe auch einen leeren oder ungültigen Fall.
Isolierte Ausführungsumgebung