Maschinelles Lernen einfach erklärt

Werbehinweis: Die Produktliste rechts enthält Affiliate-Links (Anzeige). Wenn du darüber kaufst, erhalte ich eine kleine Provision. Die Inhalte bleiben davon unabhängig.

Maschinelles Lernen (ML) ist der Teilbereich der KI, bei dem Computer Muster aus Daten selbst finden, statt dass Menschen jede Regel vorgeben. Fast alle heutigen KI-Anwendungen beruhen darauf.

Die Grundidee

Klassische Programmierung: Mensch schreibt Regeln, Computer wendet sie auf Daten an und liefert Antworten. Maschinelles Lernen dreht das um: Der Mensch liefert Daten und gewünschte Antworten, der Computer findet die Regeln selbst. Diese gelernten Regeln heißen Modell.

Die drei Lernarten

Die meisten Alltagsanwendungen nutzen überwachtes Lernen.

Ablauf eines ML-Projekts

In der Praxis geht man oft zurück: Zeigen die Tests Schwächen, verbessert man die Daten und trainiert neu.

Der größte Zeitanteil fließt meist in Schritt 1 und 2. Die Datenqualität bestimmt die Modellqualität: Wer schlechte oder einseitige Daten füttert, bekommt schlechte oder einseitige Ergebnisse.

Typische Fallstricke

Überanpassung (Overfitting): Das Modell lernt die Trainingsdaten auswendig und versagt bei neuen Daten. Gegenmittel: ausreichend Daten, einfachere Modelle, Test mit ungesehenen Daten.
Datenleck: Informationen aus den Testdaten sickern ins Training. Die Ergebnisse wirken dann besser, als sie wirklich sind.
Verzerrung (Bias): Spiegeln die Trainingsdaten Vorurteile oder Lücken, übernimmt das Modell sie.
Veränderte Welt: Ein Modell wird mit der Zeit schlechter, wenn sich die Wirklichkeit ändert (Daten-Drift).

Anleitung: Dein erstes Modell in Python

Du brauchst Python 3 und etwa zehn Minuten. Wir trainieren ein Modell, das drei Schwertlilien-Arten anhand von Blütenmaßen unterscheidet. Der Datensatz liegt in der Bibliothek scikit-learn bereits bei.

Bibliothek installieren
Im Terminal: pip install scikit-learn
Datei erstes_modell.py anlegen und den folgenden Code einfügen:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 1. Daten laden: X = Messwerte, y = richtige Art
X, y = load_iris(return_X_y=True)

# 2. In Training (75 %) und Test (25 %) aufteilen
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)

# 3. Modell trainieren
modell = RandomForestClassifier(n_estimators=100, random_state=42)
modell.fit(X_train, y_train)

# 4. Mit ungesehenen Daten testen
vorhersage = modell.predict(X_test)
print("Trefferquote:", accuracy_score(y_test, vorhersage))

Ausführen
Mit python erstes_modell.py. Du siehst eine Trefferquote nahe 1,0, das heißt fast alle Testblumen wurden richtig erkannt.
Experimentieren
Ändere test_size oder n_estimators und beobachte, was passiert. So bekommst du ein Gefühl dafür, wie Trainingsmenge und Modellgröße wirken.

Was du gerade gemacht hast

Du hast die Daten geteilt (Training und Test), ein Modell trainiert und mit ungesehenen Daten geprüft. Genau diese Schrittfolge steckt in jedem ML-Projekt, egal wie groß.

Merksätze

Ein Modell ist nur so gut wie seine Daten.
Immer mit Daten testen, die das Modell nie gesehen hat.
Gute Trefferquote im Test heißt nicht automatisch „gut im Alltag“. Prüfe, ob die Testdaten der Realität entsprechen.