MASCHINELLES LERNEN VISUALISIERT

kNN dreidimensional

Die Grundlagen

Kurz erklärt

 

„kNN“ steht für „k nearest neighbours“. Der kNN-Algorithmus ist ein einfach zu verstehender Vertreter der „supervised“ Machine-Learning-Algorithmen:  Ein neuer Datenpunkt (weiß) wird vom kNN-Algorithmus klassifiziert, entweder als „blau“ oder als „rot“.  Wie macht er das? Indem er die k (hier: 5) nächsten Nachbarn betrachtet und dabei deren überwiegende Farbe feststellt. Diese „verpasst“ er dann dem weißen, noch nicht klassifizierten Punkt. Fertig. Ein eigentliches „Training“ muss hierfür gar nicht stattfinden – vielmehr steckt die Arbeit im Auffinden der k nächsten Nachbarn. Aus diesem Grund zählt der kNN zu den „lazy algorithms“, die auf Vorarbeit (Training) verzichten und erst dann arbeiten, wenn sie tatsächlich klassifizieren sollen.

Was kann ich tun?

Anleitung

 

Mit der Maus oder dem Finger die Punktwolke drehen oder zoomen – ansonsten zurücklehnen und genießen.

Handschrifterkennung mit Neuronalen Netzen

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.

mehr lesen
Stein, Schere, Papier mit kNN

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.

mehr lesen
Naive Bayes

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:

mehr lesen
Entscheidungsbaum

Entscheidungsbaum

Entscheidungsbäume sind maschinelle Lernverfahren, die sich durch besonders gute Verständlichkeit auszeichnen, da der Weg vom Input zum Ergebnis Schritt für Schritt nachvollzogen werden kann. In der VisuApp wird ein Entscheidungsbaum auf Basis von Trainingsdaten trainiert und grafisch dargestellt.

mehr lesen
Random Forest

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.

mehr lesen
Neuronales Netz

Neuronales Netz

Neuronale Netze sind wohl die berühmt-berüchtigtsten unter den maschinellen Lernverfahren. Hier sehen wir eines in Aktion, wie es auf Basis vorgegebener Datenpunkte, insbesondere deren x- und y-Positionen, sowie Klassen (Farben), trainiert wird.

mehr lesen
Lineare Regression

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.

mehr lesen
Der kNN-Algorithmus

Der kNN-Algorithmus

Der K-Nearest-Neighbours-Algorithmus ist ein einfacher und intuitiver Machine-Learning-Algorithmus, den wir mittels einer interaktiven VisuApp veranschaulichen.

mehr lesen
Support Vector Machines

Support Vector Machines

Support Vector Machines stellen eine der leistungsfähigsten und am weitesten verbreiteten Kategorien von maschinellen Lernverfahren dar.

mehr lesen