Feature Selection
Wähle die richtigen Details, damit die KI besser lernt.
Feature Selection im maschinellen Lernen
Wenn wir Computern beibringen, Muster zu erkennen, müssen wir entscheiden, auf welche Details oder 'Merkmale' (Features) wir achten sollen.
Zum Beispiel: Um Äpfel von Orangen zu unterscheiden, könntest du auf Farbe, Form und Textur achten - das sind die 'Merkmale', die du zur Klassifizierung nutzt.
Warum Feature Selection wichtig ist
Bessere Genauigkeit
Die Wahl der richtigen Merkmale hilft dem Computer, bessere Vorhersagen zu treffen. Irrelevante Merkmale können ihn verwirren!
Schnelleres Lernen
Mit weniger Merkmalen kann der Computer Muster schneller lernen und verbraucht weniger Speicher.
Vermeidung von Overfitting
Zu viele Merkmale können dazu führen, dass der Computer die Trainingsdaten auswendig lernt, anstatt allgemeine Muster zu verstehen.
Beispiel aus der Praxis
Ärzte führen nicht jeden möglichen Test durch, um Krankheiten zu diagnostizieren - sie wählen die relevantesten basierend auf Symptomen.
In dieser Aktivität experimentierst du mit verschiedenen Merkmalen, um zu sehen, welche dem Computer am besten helfen, Objekte zu klassifizieren!