Trainiere den Klassifikator mit Beispielen, nicht Regeln.
Eine 10-Minuten-Lektion: wovon sich maschinelles Lernen ernährt, wie Merkmale und Labels funktionieren und ein Trainer-Workshop mit echten E-Mails.
Wie maschinelles Lernen funktioniert, was du ihm mit Beispielen und Merkmalen beibringst und warum Labels alles sind.
Der Fall
Ein Klassifikator versteht dein Postfach nicht: Er lernt aus den Beispielen, die du labelst. Label gut, und er entscheidet gut.
In 10 Minuten trainierst du einen E-Mail-Klassifikator: wovon er sich ernährt, wie er Merkmale summiert und warum manche Beispiele mehr wert sind als tausend handgeschriebene Regeln.
Was du lernst
- Erklären, was ein Klassifikator beim Training lernt
- Beispiele, Merkmale und Labels unterscheiden
- Die Falle „mehr Daten bei schlechten Labels“ erkennen
Das Rezept des Trainers
Beispiele + Merkmale + Label. Mit diesen drei verallgemeinert ein Klassifikator und trifft, was er nie gesehen hat.
Beispiele
Bereits gelöste Fälle, die lehren.
Merkmale
Die Eigenschaften, auf die er zu schauen lernt.
Label
Die Entscheidung, die beim Klassifizieren rauskommt.
Falle
Mehr Daten reparieren keine schwachen Labels.
Häufige Fragen
Versteht der Klassifikator, was eine E-Mail bedeutet?
Nein: Er summiert Merkmale und wählt das Label über dem Schwellenwert. Er vergleicht Muster; er versteht nicht.
Sind mehr Trainingsbeispiele immer besser?
Nur wenn die Labels stimmen: Mehr falsch gelabelte Daten verstärken den Fehler mit Überzeugung.
Teste dich: Blitztest: Label oder Ratekünstler?
Was lernt ein Klassifikator während des Trainings?
Richtige Antwort: Aus bereits gelabelten Beispielen Merkmale zu erkennen.
Mit sauberen Labels lernt er, welche Merkmale zählen, und verallgemeinert: Er trifft Fälle, die er nie gesehen hat.
Du trainierst mit zwei E-Mails und er versagt bei allem Neuen. Was fehlt?
Richtige Antwort: Beispiele: Er hat zu wenig Material zum Lernen.
Zwei Beispiele zeigen nicht, welche Merkmale zählen. Mit mehr vielfältigen, gut gelabelten Fällen verallgemeinert er besser.
Du fügst 100.000 falsch gelabelte E-Mails hinzu. Was passiert?
Richtige Antwort: Es verstärkt den Fehler: Er lernt falsche Merkmale mit Überzeugung.
Daten reparieren keine schwachen Labels: Mehr trainierter Müll ergibt einen Klassifikator, der sehr sicher falsch liegt.
Die Faustregel — Beispiele (was du zeigst) + Merkmale (worauf er achtet) + Label (was er entscheidet). Mehr Daten reparieren kein schwaches Label.
Was du mitnimmst
Trainiere einen Klassifikator mit gelabelten Beispielen und erkenne, wann Daten oder Merkmale versagen.