Einführung in Machine Learning (maschinelles Lernen)

Einführung in Machine Learning (maschinelles Lernen)

Vor mehreren Jahrzehnten begann man, mathematische Funktionen zu entwickeln, die als allgemeine Lernverfahren dienen. In diesem Zusammenhang bedeutet Lernverfahren schlicht ein Verfahren, das es dem Computer ermöglicht, Muster in Daten zu lernen. Allgemein bedeutet, dass das Verfahren in vielen verschiedenen Zusammenhängen eingesetzt werden kann, beispielsweise um die Besucher einer Website zu analysieren, Krebspatienten zu untersuchen, Aktien an der Börse zu bewerten oder das Wetter der kommenden Woche vorherzusagen. Diese Methoden werden unter dem Begriff maschinelles Lernen (engl. machine learning) zusammengefasst, was darauf hinweist, dass es ein Computer (die Maschine) ist, der lernt.

Das Prinzip von Machine Learning (maschinellem Lernen)

Das Prinzip von Machine Learning ist einfach. Der Computer lernt, indem er Muster in Daten findet, und auf dieser Grundlage werden Regeln erstellt. Diese Regeln können anschließend verwendet werden, um neue Daten zu beurteilen, die der Algorithmus noch nicht gesehen hat. Zur Veranschaulichung nehmen wir ein Beispiel mit Schülerinnen und Schülern der gymnasialen Oberstufe. Stellen Sie sich vor, wir hätten Daten zu 1000 Schülern. Die Daten umfassen das Geschlecht des Schülers, das Einkommen der Eltern, die Anwesenheit des Schülers im Unterricht, die Prüfungsergebnisse im ersten Jahr und die Abschlussnote im letzten Jahr (Tabelle 1). Wir können Machine Learning einsetzen, um zu untersuchen, wie Geschlecht, Einkommen der Eltern, Anwesenheit und Prüfungsergebnisse im ersten Jahr die Abschlussnote im letzten Jahr beeinflussen. Die Maschine wird die Schüler untersuchen, um Muster zu finden, die aufdecken, welche Faktoren die Abschlussnote beeinflussen und wie sie dies tun. Wahrscheinlich wird der Computer feststellen, dass Schüler mit hoher Anwesenheit und guten Prüfungsergebnissen im ersten Jahr auch gute Abschlussnoten im letzten Jahr haben. Diese Erkenntnisse werden in Regeln überführt, mit denen sich anschließend vorhersagen lässt, wie neue Schüler in der Schule abschneiden werden. Die Regeln können also genutzt werden, um die Abschlussnoten neuer Schüler bereits nach dem ersten Jahr vorherzusagen.

Um maschinelles Lernen zu verstehen, verwenden wir ein weiteres Beispiel. Stellen Sie sich vor, wir betreiben einen Onlineshop, in dem wir Kleidung verkaufen. Unser Ziel ist, dass möglichst viele Besucher Kleidung kaufen. Leider kommt es häufig vor, dass Besucher ihren Kauf nicht abschließen (sie verlassen den Onlineshop, bevor der Kauf abgeschlossen ist). Wir können maschinelles Lernen einsetzen, um die Wahrscheinlichkeit zu berechnen, dass ein Besucher den Shop verlässt, bevor der Kauf abgeschlossen ist. Wir möchten nämlich Besuchern, bei denen wir eine hohe Wahrscheinlichkeit für einen Kaufabbruch berechnen, einen Rabattcode anzeigen. Der Zweck des Rabattcodes besteht darin, ihre Bereitschaft zu erhöhen, den Kauf abzuschließen. Die Herausforderung liegt darin, den Rabattgutschein den richtigen Besuchern zu geben (wir möchten keine Rabattgutscheine an Besucher verteilen, die ohnehin einen Kauf tätigen würden). Zur Lösung dieser Aufgabe verfügen wir über Beispieldaten unserer bisherigen Besucher. Für jeden Besucher haben wir Angaben zu Alter, Geschlecht, Adresse, früheren Käufen, Tageszeit, Datum, in den Warenkorb gelegten Produkten, besuchten Seiten, der auf jeder Seite verbrachten Zeit und so weiter. Wir wissen außerdem, ob der Besucher den Kauf abgeschlossen oder den Shop verlassen hat. Wir können maschinelles Lernen nutzen, um Muster zu finden, die Personen, die einen Kauf tätigen, von denen unterscheiden, die keinen Kauf tätigen. Das allgemeine Lernverfahren wird diese Muster finden, und auf ihrer Grundlage werden Regeln erstellt. Diese Regeln bilden somit einen Algorithmus, der anschließend auf neue Besucher angewendet werden kann, um zu berechnen, wie hoch die Wahrscheinlichkeit ist, dass sie die Seite verlassen, bevor ein Kauf abgeschlossen ist. Anhand dieser Wahrscheinlichkeiten können wir entscheiden, welche Besucher einen Rabattcode erhalten und hoffentlich ihren Kauf abschließen.

In beiden obigen Beispielen verwendet der Computer ein allgemeines Lernverfahren, um Muster in Daten zu finden. Diese Muster werden genutzt, um Regeln zu erstellen. Da die Regeln auf Grundlage von Mustern in den Daten entstehen, bezeichnet man die Methode als datengetrieben (engl. datadriven methods).

Vorhersagen, um zu überleben

Eine Prädiktion ist eine Vorhersage. Die Zukunft vorhersagen zu können, ist äußerst begehrt. Stellen Sie sich vor, Sie könnten vorhersagen, welche Aktien im Wert steigen werden oder welche Krankheiten Sie im Laufe Ihres Lebens bekommen werden. In den letzten Jahren sind alle Organisationen (Unternehmen, Forschende, Verbände, Regierungen usw.) zunehmend daran interessiert, Vorhersagen treffen zu können. Tatsächlich kann das Überleben einer ganzen Organisation davon abhängen, dass sie Vorhersagen treffen kann, und zwar mit hoher Präzision.

Da sich nahezu alles vorhersagen lässt, hat die prädiktive Analyse in allen Organisationen eine zentrale Stellung eingenommen. Für einen Automobilhersteller ist es beispielsweise sinnvoll vorherzusagen, wie viele Autos er im nächsten Jahr voraussichtlich verkaufen wird (dies beeinflusst die Produktionsplanung), wie sich die Preise für Benzin, Diesel und Strom entwickeln (dies beeinflusst, wie die Motoren konstruiert werden sollen), wie hoch das Risiko ist, dass die Preise für Rohstoffe und Komponenten steigen (dies beeinflusst die Preisgestaltung der Autos), und so weiter. Alle Organisationen müssen heute lernen, Vorhersagen zu treffen.

Die folgenden drei Faktoren haben das große Interesse an prädiktiver Analyse ausgelöst:

1. Die meisten Organisationen erheben große Datenmengen, die die Grundlage jeder Vorhersage bilden. Aus diesem Grund sagt man heute, dass Daten wertvoll sind.
2. Software und Hardware für prädiktive Analysen stehen allen zur Verfügung.
3. Die Fähigkeit, Daten zu analysieren, hat sich in der Gesellschaft verbreitet. Vor 10 Jahren waren es fast ausschließlich Mathematiker und Statistiker, die Daten analysierten. Heute kann jeder lernen, Daten zu analysieren.

Die Zukunft vorhersagen zu können, ist die Hauptaufgabe des maschinellen Lernens. Maschinelles Lernen wird also eingesetzt, um Vorhersagen zu treffen. In einem früheren Beispiel haben wir maschinelles Lernen verwendet, um die Abschlussnoten von Schülern vorherzusagen. Neben Machine Learning gibt es weitere Methoden zur Vorhersage, doch in den letzten Jahren hat sich gezeigt, dass die Präzision der Vorhersagen mit Machine Learning in der Regel am höchsten ist, unabhängig davon, welche Art von Daten man analysiert.