#4 Überwachtes Lernen – Klassifikation I So lernen Maschinen
Plattform Lernende Systeme
https://www.youtube.com/watch?v=g6zuVEDlAzo

Transkript (automatisch erstellt)

0:00 [Musik] im letzten video haben wir die regression kennengelernt da ging es um die vorhersage eines kontinuierlichen
0:21 werz also wenn wir vorher sagen wie viele eiskugeln wir verkaufen dann macht jeder wert zwischen 0 10 100 oder 1000 sind deswegen kontinuierlich jetzt soll
0:32 es um die klassifikation gehen und bei der klassifikation geht es darum jeden daten punkt eine klasse zuzuordnen das kann zum beispiel heiße dieses bild
0:41 gehört das zur klasse hund katze oder maus genau unsere veranstaltung haben wir uns auch hier wieder ein beispiel ausgedacht und dazu stellen wir uns
0:49 jetzt eine manufaktur vor die skulpturen aus messing herstellt und um skulpturen aus messing herzustellen erhitzt man kupfer und zink im
0:56 schmelzofen und gibt es dann in die richtige form stellen uns mal vor in dieser manufaktur gibt es einen meister der in seinem leben viel erfahrung
1:04 gesammelt hat wie man solche skulpturen macht und an irgendeinem tag ist aus irgendwelchen gründen plötzlich vorbei ist und die lehrlinge versuchen jetzt
1:11 den laden bestmöglich weiterhin zu schmeißen sie gießen als die skulpturen und merken aber manche gute qualität manche haben aber leider schlechte
1:19 qualität und zerbrechen einfach und sie überlegen sich dann was können wir da tun und sie erinnern sich daran dass er meist einmal gesagt hat das
1:27 mischungsverhältnis von kupfer und zink ist wichtig und auch die temperatur im ofen hat einen besonderen einfluss auf die qualität von da an also notieren sie
1:36 sich für jede skulptur das mischungsverhältnis und die temperatur im schmelzofen oder um es in der sprache des maschinellen lernens auszudrucken
1:44 sie sammeln daten mit features die features hier also mischungsverhältnis und temperatur mit zugehörigem label also dem zielwert hier also die klasse
1:52 gute qualität oder schlechte qualität das ganze ist recht ähnlich dem setting wie wir es gerade bei der regression hatten wir haben also wieder unsere
2:02 tabelle mit den daten und wieder bietet sich eine grafische darstellung dieser daten an das heißt wir zeichnen ein koordinatensystem auf der x-achse
2:12 zeichnen wir die temperatur im schmelzofen an auf der y-achse das mischungsverhältnis von zink kupfer und jeden daten punkt tragen wir in dieses
2:21 koordinatensystem ein nur dass wir jetzt die datenpunkte auch einfärben und zwar einfärben je nachdem welche klasse sie hatten und die
2:30 aufgabe des klassifikations algorithmus ist es jetzt diese beiden klassen voneinander zu trennen und in diesem einfachen datensatz bietet sich eine
2:39 linie an also einfach eine gerade links von der gerade dann die teile schlechter qualität und rechts 100 gerade die teile hoher qualität
2:47 unser klassifikations algorithmus findet uns genauso eine gerade die diese trennung guter und schlechter teile ermöglicht für unsere lehrlinge heißt
2:55 dass sie wissen wenn sie teile mit einem geringen mischungsverhältnis und hoher schmelztemperatur anfertigen dass diese relativ sicher auf der seite tyler guter
3:05 qualität landen in diesem beispiel haben wir jetzt einige sehr vereinfachen der anderen getroffen zum beispiel dann gesagt es
3:12 gibt nur zwei klassen gute und schlechte qualität und haben auch gesagt es gibt nur zwei eigenschaften also zwei features das mischungsverhältnis und die
3:20 temperatur glücklicherweise waren die daten recht einfach zehn war durch eine einfache linie in der echten welt ist das leider
3:26 recht oft anders also wir haben oft viel mehr klassen als nur zwei und sehr viel mehr eigenschaften und daten sind oft irgendwie durcheinander stummen
3:34 überlappen sich und nur sehr schwer denn war zum glück gibt es einen regelrechten zu an klassifizierungs methoden der auch mit solchen schäden settings klarkommt
3:45 aber unser beispiel auch wenn es vielleicht albern gewirkt hat ist viel näher an der realität denn in echten produktionsstraßen den
3:53 echten fabriken da geht es sehr oft darum herauszufinden von welchen parametern denn die qualität des produkts abhängt und da dort nicht nur
4:02 zwei sondern tausende features auftauchen kann das kein meister mehr überblicken und das heißt man schnelles lernen bietet uns hier einen guten
4:10 ansatz um herauszufinden wie wir die qualität eines produktes verbessern können [Musik]