Verstehen von maschinellem Lernen
Beim maschinellen Lernen werden mathematische Algorithmen eingesetzt, um Muster in Daten zu erkennen und diese dann zum Erstellen von Vorhersagen zu nutzen.
Ein einfaches Beispiel: Vorhersage von Umsätzen
Für ein besseres Verständnis von maschinellem Lernen betrachten wir ein einfaches Beispiel, in dem der Umsatz eines Produkts im nächsten Quartal vorhergesagt wird. Angenommen, uns ist bekannt, dass der Umsatz dieses Produkt davon beeinflusst wird, wie viel Geld für die Bewerbung des Produkts ausgegeben wird. Aus den Daten früherer Quartale haben wir Folgendes gelernt:
-
Wie viel Geld (in Tausenden Dollar) für die Bewerbung des Produkts im Fernsehen ausgegeben wird.
-
Wie hoch der Umsatz war (in Millionen Dollar).
Beim Plotten der Daten ist klar zu sehen, dass wir umso mehr verkaufen, je mehr für die Bewerbung unseres Produkts im Fernsehen ausgegeben wird.
Plot des Umsatzes im Vergleich zu den Ausgaben für Fernsehwerbung
Um den Umsatz für das nächste Geschäftsquartal vorherzusagen, können wir eine passende Funktion für die Verlaufsdaten verwenden:
Eine lineare Funktion passt zu den Daten
Gestützt auf den Geldbetrag, den wir für Fernsehwerbung während des nächsten Geschäftsquartals eingeplant haben, können wir die Funktion für den diesem Betrag entsprechenden Wert auswerten. Beispiel: Wir möchten im kommenden Quartal $225.000 für Fernsehwerbung ausgeben. Wenn wir die Funktion bei 225 auswerten, erhalten wir 17,7, und wir können einen Umsatz von $17,7 Millionen für das nächste Quartal vorhersagen.
Die Funktion wird ausgewertet, um den Umsatz für einen bestimmten für Werbung ausgegebenen Betrag vorherzusagen.
Um die Genauigkeit der Vorhersage zu verbessern, suchen wir nach einer Funktion, die besser zu den Verlaufsdaten passt (wie in der Abbildung gezeigt) und treffen Vorhersagen gestützt auf diese Funktion.
Eine Funktion, die besser zu den Daten passt
In diesem Beispiel haben wir uns nur den für Fernsehwerbung ausgegebenen Geldbetrag angesehen. Wir könnten noch weitere Faktoren berücksichtigen, die sich auf zukünftigen Umsatz auswirken. Statt den Umsatz nur als Funktion der Ausgaben für Fernsehwerbung zu betrachten, können wir den Umsatz auch als Funktion der drei Variablen Fernsehwerbeausgaben, Radiowerbeausgaben und Zeitungswerbeausgaben betrachten. Wir können so viele Variablen wie gewünscht verwenden, aber die allgemeine Idee ist die gleiche.
Konzepte für maschinelles Lernen
Vom Standpunkt der Daten aus betrachtet beschränkt sich die Aufgabe für maschinelles Lernen darauf, eine Tabelle mit Verlaufsdaten zu kompilieren. Eine Spalte in der Tabelle stellt dar, was wir vorhersagen möchten. In unserem Beispiel war dies der Umsatz. In der Sprache des maschinellen Lernens wird diese Spalte als Ziel bezeichnet. Die anderen Spalten werden Features genannt und dienen dazu, den Wert der Zielspalte vorherzusagen. Die Features sind Variablen, die potenziell zum Zielergebnis beitragen können. Hinter maschinellem Lernen steckt die folgende grundlegende Idee:
Wir haben einen Datensatz und suchen nach einer Funktion, die zu den Daten passt, damit wir anhand der Werte der Featurespalten vorhersagen können, welchen Wert die Zielspalte haben wird.
Es wurden mehrere komplexe Algorithmen für maschinelles Lernen entwickelt, um verschiedene Arten von Aufgaben für maschinelles Lernen zu lösen. Wenn wir die Daten in einen Algorithmus für maschinelles Lernen einlesen und ihn Muster lernen lassen, wird dies als Trainieren eines Algorithmus für maschinelles Lernen bezeichnet.
Aufgaben für maschinelles Lernen werden in Regressionsaufgaben und Klassifikationsaufgaben unterteilt, je nachdem, ob das vorherzusagende Ziel ein numerischer oder ein kategorialer Wert ist. Beispiele finden Sie in Klassifikationsaufgaben und Regressionsaufgaben.
Automatisiertes maschinelles Lernen
Beim automatisierten maschinellen Lernen werden die am besten passenden Funktionen automatisch während des Trainings der Verlaufsdaten gefunden. Sie können einfach einen Datensatz hochladen, ein Ziel auswählen und dann per Schaltflächenklick das Training beginnen.
Das Vorhersageergebnis wird aber nur gut, wenn auch die Eingaben gut sind. Ein Experiment für maschinelles Lernen benötigt eine gut definierte Frage für maschinelles Lernen und einen Datensatz, der für das Beantworten dieser Frage ausgelegt ist. Um mit Ihrem ersten Experiment zu beginnen, führen Sie die folgenden Schritte aus:
- Definieren Sie eine Frage für maschinelles Lernen
Drücken Sie Ihren Geschäftsfall in einer konkreten Frage anhand eines strukturierten Frameworks aus.
- Bereiten Sie Ihren Trainingsdatensatz vor
Erfassen Sie hochwertige Daten, die für Ihren Anwendungsfall relevant sind.
- Erstellen Sie ein automatisiertes Experiment für maschinelles Lernen
Nachdem die Vorbereitungen abgeschlossen sind, können Sie mit dem Experiment beginnen.