Supervised Learning (Überwachtes Lernen)
BESCHREIBUNG Supervised Learning verwendet gelabelte Daten (Eingabe-Ausgabe-Paare), um Modelle zu trainieren. a) Classification (Klassifikation) Ziel: Vorhersage diskreter Labels oder Kategorien (z. B. "Ja" oder "Nein", "Katze" oder "Hund"). • Algorithmen: Generalized Linear Models (GLM): Eine Verallgemeinerung von linearen Modellen, z. B. Logistische Regression, die für Klassifikationsaufgaben nützlich ist. Random Forest: Ein Ensemble-Algorithmus, der mehrere Entscheidungsbäume kombiniert und eine robuste Klassifikation ermöglicht. K-Nearest Neighbors (KNN): Klassifiziert Datenpunkte basierend auf ihren nächsten Nachbarn in einem mehrdimensionalen Raum. Weitere Verfahren: SVM (Support Vector Machines), Naive Bayes, Gradient Boosting. b) Regression Ziel: Vorhersage von kontinuierlichen Werten (z. B. Temperatur, Preis). • Algorithmen: Linear Models: Einfaches Modell, das eine lineare Beziehung zwischen den Eingabevariablen und der Zielvariablen herstellt. Generalized Linear Models (GLM): Erweiterung der linearen Modelle, um nicht-lineare Beziehungen zu modellieren. Weitere Verfahren: Polynomial Regression, Lasso Regression, Ridge Regression. MATHEMATIK