Wie funktioniert Machine Learning? – Support Vector Machines
Machine Learning befasst sich mit dem künstlichen Lernen von Maschinen aus historischen Daten. In diesen sollen KIs Muster und Regelmäßigkeiten erkennen, um Entscheidungsregeln abzuleiten. Wie genau das abläuft, kann aber von Modell zu Modell stark variieren. Ich möchte in diesem Beitrag auf eines der möglichen Verfahren eingehen: Support Vector Machines.
Die Idee dahinter
Support Vector Machines (SVMs) gehören zum Teil des überwachten Lernens. Das bedeutet, dass Sie vor dem Einsatz von SVMs zunächst einen Datensatz an Trainingsdaten benötigen, aus denen Ihr Modell Entscheidungsregeln für den späteren Einsatz im Live-Betrieb erlernen kann. Für diesen Datensatz muss bereits bekannt sein, welches die korrekte Entscheidung der Künstlichen Intelligenz gewesen wäre.
Auf Grundlage der Daten wird dann eine Trennlinie ermittelt, die Ihre Datensätze optimal nach der zu treffenden Entscheidung aufteilt (siehe Bild). Anders als bei anderen Herangehensweisen wird dabei nicht einfach irgendeine Trennlinie gesucht (siehe Linie B), sondern der größtmögliche Abstand zwischen den beiden Teilmengen (Linie A).
So werden die Entscheidungen getroffen
Ist Ihre SVM auf Ihrem Trainingsset trainiert, ist der weitere Einsatz recht simpel: Für jeden neuen Datensatz, den wir klassifizieren wollen, betrachten wir lediglich die Position dieses neuen Punktes in unserem Koordinatensystem. Welche Entscheidung dem Datensatz zugeordnet wird, hängt dann nur davon ab, auf welcher Seite unsere Trennlinie er sich befindet.
Wann sollten Sie Support Vector Machines nutzen?
Support Vector Machines haben viele Vor-, aber auch einige Nachteile. Zu den Vorteilen zählen unter anderem folgende Punkte:
- SVMs kommen mit verhältnismäßig wenig Trainingsdaten zurecht und können dennoch eine hohe Genauigkeit in der Klassifizierung erzielen.
- Bei SVMs wird die beste Trennebene gesucht, wodurch die Generalisierbarkeit (die Genauigkeit des Modells auf neuen Daten) steigt. Das ist besser, als nur irgendeine passende Trennebene zu finden.
- SVMs sind verhältnismäßig speichereffizient.
- Durch ein paar zusätzliche Schritte lassen sich auch nicht-lineare Trennungen mit SVMs erstellen.
Es gibt jedoch auch Situationen, in denen es sich möglicherweise anbietet, auf andere KI-Modelle zurückzugreifen:
- SVMs kommen weniger gut mit großen Datenmengen klar (sowohl in ihrer Genauigkeit als auch Rechenperformance). Dort lohnt es sich dann auf andere Modelle zurückzugreifen, die diese Datenmengen besser nutzen können.
- Es lässt sich nur schwer erklären, wieso genau eine Entscheidung des Modells getroffen wurde.
- Während SVMs für Daten, die sich gut trennen lassen, funktionieren, haben sie eine deutlich schlechtere Performance je verrauschter die Trainingsdaten sind (wenn sich bspw. im oberen Bild die Fläche an Kreisen und Quadraten überlappen würden).
Noch Fragen zu Support Vector Machines?
Je komplexer ein Problem ist, desto wahrscheinlicher ist es, dass andere KI-Modelle eine sinnvolle Alternative zu SVMs darstellen. Nichtsdestotrotz sind sie ein wichtiger Bestandteil im KI-Werkzeugkasten und glänzen gerade in Szenarios mit wenigen Trainingsdaten.
Haben Sie weitere Fragen zu Support Vector Machines? Gerne stehe ich Ihnen für einen Austausch zur Verfügung!
Verwandte Beiträge
