Daten für ein Modell

In Machine Learning spielt Daten eine entscheidende Rolle beim Training und der Entwicklung von Modellen. Um Daten in ein Modell einzuspeisen, werden sie normalerweise in einem strukturierten Format organisiert, das als Datensatz (ein DataFrame in pandas) bezeichnet wird.

Ein Datensatz besteht aus zwei Hauptteilen: 

• Features - Eine Reihe von Spalten, die einen Datensatz kennzeichnen
• Zielvariable (Target variable) - Repräsentiert die Ausgabe oder den Wert, den das Modell vorherzusagen oder zu schätzen versucht.

Zum Beispiel ist hier eine Wetter-Tabelle

Angenommen, wir möchten wissen, ob es regnen wird, dann sind die Features degrees, humidity, wind und die Zielvariable ist is_rain.

Die Features werden als <strong>X</strong> bezeichnet, und das Ziel (Target) wird als <strong>y</strong> bezeichnet.
Die Zielvariable (<strong>y</strong>) kann jede Art von Daten enthalten - Zahlen, Booleans, Strings usw.

Während des Trainingsprozesses verwendet das Modell die Features als Eingabe und die Zielvariable als Ground Truth oder die korrekte Ausgabe.

Ohne eine Zielvariable hätte das Modell keine Möglichkeit zu wissen, ob seine Vorhersagen korrekt sind oder nicht.

Es gibt viele verschiedene Variationen in der Struktur von Datensätzen:

• Viele Features, einzelne Zielvariable
• Einzelnes Feature, einzelne Zielvariable
• Viele Features, viele Zielvariablen
• Wenige Features, einzelne oder mehrere Zielvariablen
• Keine Zielvariable
• Zeitreihendaten
• usw.

Überwachtes Lernen (Supervised learning) beinhaltet Datensätze mit Eingabe-Ausgabe-Paaren, bei denen der Algorithmus lernt, Eingaben den entsprechenden Zielvariablen zuzuordnen.

Unüberwachtes Lernen (Unsupervised learning) beinhaltet keine Zielvariablen; stattdessen sucht es nach Mustern oder Strukturen in den Eingabedaten ohne beschriftete Beispiele.

Es ist entscheidend sicherzustellen, dass die Zielvariable unabhängig von den anderen Spalten ist, da jede Abhängigkeit zu Data Leakage führen und eine irreführend hohe Leistung während des Trainings zur Folge haben könnte. Ein wirklich prädiktives Modell muss aus Features lernen, die nicht direkt mit dem Ziel zusammenhängen, um so die Integrität und Generalisierbarkeit der Vorhersagen des Modells zu bewahren.

Eine unabhängige Zielvariable kann nicht direkt aus den anderen Spalten in Ihrem Datensatz berechnet oder abgeleitet werden; sie ist das, was Sie vorherzusagen versuchen.