MASCHINELLES LERNEN VISUALISIERT
Naive Bayes
Die Grundlagen
Kurz erklärt
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: Wir haben eine Menge von Trainingsdaten (farbige Punkte) mit jeweils zwei kategorialen Merkmalen (x- und y-Werte mit den jeweiligen Ausprägungen „kleiner 0“ und „größer 0“). Jeder Punkt ist einer von zwei Kategorien zugeordnet (blau oder rot). Der Naive-Bayes-Algorithmus beantwortet mittels einer einfachen Rechnung die Frage: „Mit welcher Wahrscheinlichkeit ist ein neuer Punkt, der beispielsweise die Merkmalskonstellation „x und y beide kleiner 0″ aufweist, ein roter oder ein blauer Punkt?“ Diese Wahrscheinlichkeiten sind in der App links oben in jedem der vier Quadranten dargestellt.
Das Verfahren heißt „naiv“, da es vereinfachend annimmt, dass die einzelnen Merkmale stochastisch unabhängig auftreten (was in der Regel nicht der Fall ist, die Treffsicherheit jedoch oft kaum beeinträchtigt).
Was kann ich tun?
Anleitung
Sie können die Trainingsdatenpunkte mit der Maus verschieben, löschen (nach unten links aus dem Bild schieben) oder neue hinzufügen (Buttons oben rechts). Beobachten Sie dabei, wie sich die berechneten Wahrscheinlichkeiten ändern.
Sie können auf jeden der vier Quadranten klicken, um die genaue Formel zur Berechnung der Wahrscheinlichkeiten anzuzeigen.
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.
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.
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.