MASCHINELLES LERNEN VISUALISIERT
Entscheidungsbaum
Die Grundlagen
Kurz erklärt
Entscheidungsbäume sind ein Verfahren im maschinellen Lernen, das sich durch besonders gute Verständlichkeit auszeichnet, da der Weg vom Input zum Ergebnis Schritt für Schritt anhand eines Baumdiagramms nachvollzogen werden kann. In der VisuApp wird ein Entscheidungsbaum auf Basis von Trainingsdaten (farbige Punkte) „trainiert“ (d. h. gemäß einem Algorithmus erstellt) und grafisch dargestellt. Die Datenpunkte weisen jeweils zwei Merkmale auf (x-Wert bzw. horizontale Position und y-Wert bzw. vertikale Position) sowie eine von zwei Kategorien (rot bzw. blau). Der Entscheidungsbaum beantwortet die Frage, welcher Kategorie (rot oder blau) ein neuer Datenpunkt mit gegebenen x- und y-Werten zugeordnet würde. Dabei entspricht der jeweils linke Ast im Baum immer kleineren, der rechte Ast immer größeren Werten als der Wert, der am zugehörigen Baumknoten notiert ist.
Was kann ich tun?
Anleitung
Sie können Datenpunkte mit der Maus bewegen, löschen (nach links unten aus dem Bild ziehen) oder neu hinzufügen (Buttons rechts oben). Bei jeder Änderung wird der optimale Entscheidungsbaum neu berechnet und die Darstellung aktualisiert. Die farbigen Flächen in der Grafik zeigen an, welchen Positionen im Bild der Baum die Kategorie „rot“ bzw. „blau“ zuweist.
Am Schieberegler können Sie die maximale Baumtiefe einstellen, die der Algorithmus verwenden soll.
ROC-Kurve und Gini-Koeffizient
Die Prognosekraft oder Trennschärfe eines maschinellen Lernverfahrens kann mit der ROC-Kurve und dem daraus abgeleiteten Gini-Koeffizienten gemessen werden.
Handschrifterkennung mit Neuronalen Netzen
Die App visualisiert ein einfaches neuronales Netz – wie es lernt und wie es arbeitet – am Beispiel der Erkennung handgeschriebener Ziffern. Diese können mit der Maus live auf ein einfaches Zeichenfeld bestehend aus 5 x 3 Pixeln geschrieben werden. Die geschriebene Ziffer wird vom neuronalen Netz dabei unmittelbar in die erkannte Ziffer übersetzt. Wie gut das gelingt, hängt davon ab, wie gut das neuronale Netz trainiert ist.
kNN dreidimensional
Der kNN-Algorithmus in drei Dimensionen als „künstlerische“ Darstellung zum Drehen, Zoomen und Verstehen.
Stein, Schere, Papier mit kNN
Der kNN-Algorithmus ist ein einfacher und wirkungsvoller Machine-Learning-Algorithmus für Klassifikations- und Regressionsaufgaben. Hier im Beispiel kann man ihn live erleben, wie er Handpositionen als Stein, Schere oder Papier klassifiziert, nachdem man ihn mit entsprechenden Schnappschüssen trainiert hat.
Naive Bayes
Der Naive-Bayes-Algorithmus ist ein Machine-Learning-Algorithmus. Er wird zum Beispiel in Spam-Filtern von E-Mail-Programmen verwendet. Die VisuApp illustriert die dahinterstehende Logik an einem Beispiel:
Random Forest
Random Forests sind maschinelle Lernverfahren, die auch als „Ensemble-Verfahren“ bezeichnet werden. Hierbei wird statt nur eines einzelnen Entscheidungsbaums eine ganze Gruppe solcher Bäume trainiert („Wald“). Zur Klassifikation einer Eingabe wird diese in jedem Baum ausgewertet. Diejenige Klasse, die am häufigsten gewählt wurde, ist die Ausgabe des Random Forest.
Lineare Regression
Die klassische lineare Regression kann wahrscheinlich als das einfachste maschinelle Lernverfahren betrachtet werden. Jedoch ist das Verfahren auch sehr „starr“ in dem Sinne, dass es nur lineare (d. h. geradlinige) Entscheidungsgrenzen zulässt.
Der kNN-Algorithmus
Der K-Nearest-Neighbours-Algorithmus ist ein einfacher und intuitiver Machine-Learning-Algorithmus, den wir mittels einer interaktiven VisuApp veranschaulichen.
Support Vector Machines
Support Vector Machines stellen eine der leistungsfähigsten und am weitesten verbreiteten Kategorien von maschinellen Lernverfahren dar.