Was ist maschinelles Lernen?

Wie würdest du ein Programm schreiben, das einen gefährlichen Tumor von einem harmlosen unterscheidet? Du könntest dich mit einer Ärztin zusammensetzen und ihre Erfahrung in Regeln gießen: „Wenn die Zellen größer sind als ein bestimmter Wert, schlag Alarm.“ Oder du zeigst dem Computer Hunderte früherer Fälle mit bekanntem Ausgang und lässt ihn die Regel selbst finden. Der zweite Weg ist maschinelles Lernen – und in diesem Kurs geht es darum, warum er funktioniert, wann er scheitert und wie man das eine vom anderen unterscheidet. Probier es zuerst selbst aus, bevor du die Erklärung liest.

Probier es aus

• Schieb den Schwellenwert-Regler langsam von links nach rechts und beobachte die Genauigkeit auf den Trainingsdaten. Halte dort an, wo die Regel deiner Meinung nach am besten funktioniert.
• Drück auf Lernen und vergleiche den Schwellenwert des Algorithmus mit deinem. Sieh dir beide Zahlen an: die Genauigkeit auf den Trainingsdaten und auf den Testdaten.
• Schieb den Schwellenwert-Regler ganz an ein Ende. Die Regel gibt jetzt fast jedem Tumor dieselbe Antwort – und trotzdem fällt die Genauigkeit nicht auf null. Überleg dir, warum, bevor du weiterliest.
• Prüf nach dem Klick auf „Lernen“, welcher Wert höher ist, Training oder Test, und entscheide, welchem du bei einer echten Patientin trauen würdest.

Die Idee in einfachen Worten

Beim klassischen Programmieren schreibt ein Mensch die Regel, und der Computer wendet sie an. Beim maschinellen Lernen liefert der Mensch Beispiele – Eingaben zusammen mit den richtigen Antworten –, und ein Algorithmus sucht eine Regel, die diese Antworten reproduziert. Die gefundene Regel heißt Modell. Danach wird das Modell genau wie eine handgeschriebene Regel benutzt: neue Eingabe rein, Vorhersage raus.

Denk daran, wie man lernt, ob eine Avocado reif ist. Niemand gibt dir eine Formel. Du drückst ein paar, schneidest sie auf, merkst dir, welche gut waren, und nach einem Dutzend Versuchen „weiß“ dein Daumen Bescheid. Aufgeschrieben hast du die Regel nie, aber du hast eine – gebaut aus Beispielen mit bekanntem Ergebnis. Ein Lernalgorithmus macht dasselbe, nur mit Zahlen und mit sehr viel mehr Geduld.

Warum es funktioniert

Die Beispiele in dieser Lektion stammen aus einem echten medizinischen Datensatz: 569 Brusttumoren, jeder beschrieben durch Messwerte von Zellkernen unter dem Mikroskop und jeder von einer Pathologin als bösartig (212 Fälle) oder gutartig (357 Fälle) eingestuft. Für den Anfang nehmen wir nur einen dieser Messwerte und die einfachste denkbare Regel: „über dem Schwellenwert → bösartig, darunter → gutartig“.

Den Schwellenwert von Hand zu wählen heißt raten. Den Schwellenwert zu lernen heißt, jeden möglichen Wert an den Beispielen auszuprobieren und den zu behalten, der die wenigsten Fehler macht. Mehr ist „Lernen“ hier nicht: eine von Daten gelenkte Suche nach der Einstellung, die bei bereits bekannten Fällen am besten funktioniert. Jedes Modell, dem du später begegnest – von der Geraden bis zum Sprachmodell mit Milliarden von Parametern –, folgt demselben Rezept: eine Familie möglicher Regeln, eine Bewertung und die Suche nach der besten Bewertung.

Es gibt einen Haken, und er ist die wichtigste Idee des ganzen Fachs. Eine Regel, die zu den bekannten Fällen gut passt, ist nicht automatisch gut. Was uns interessiert, sind die Fälle, die wir noch nicht gesehen haben: die nächste Patientin. Deshalb verstecken wir vor dem Lernen einen Teil der Daten. Das Modell lernt aus den Trainingsdaten und wird danach auf den Testdaten benotet, die es nie gesehen hat. Die Note ist meist die Genauigkeit (Accuracy), also der Anteil der Fälle, die die Regel richtig einordnet:

Genauigkeit = richtige Vorhersagen / alle Vorhersagen

Eine auf den Trainingsdaten gelernte Regel schneidet auf den Testdaten oft etwas schlechter ab. Diese Lücke ist der ehrliche Preis für die Begegnung mit neuen Daten, und der Testwert ist der, den du einer Ärztin nennen würdest.

Häufiger Fehler

Der klassische Anfängerfehler ist, ein Modell danach zu beurteilen, wie gut es auf den Daten abschneidet, aus denen es gelernt hat. Auf diesen Fällen hatte der Algorithmus jede Chance, sich anzupassen, also schmeichelt ihm der Wert. Die zweite Falle ist, die Baseline zu vergessen. Die meisten Tumoren in diesem Datensatz sind gutartig, also liegt eine „Regel“, die immer „gutartig“ sagt, schon in 357 von 569 Fällen richtig – fast zwei Drittel. Deshalb sinkt die Genauigkeit selbst dann nicht auf null, wenn eine Regel fast jedem Tumor dieselbe Antwort gibt. Jedes gelernte Modell muss diese triviale Antwort schlagen, bevor es Aufmerksamkeit verdient, und in der Medizin muss es außerdem die richtige Art von Fehlern machen – ein Thema, auf das wir in Lektion 6 zurückkommen.

Maschinelles Lernen ist also weder Magie noch Verstehen. Es ist eine disziplinierte Suche nach einer Regel, gefolgt von einer ehrlichen Prüfung auf Daten, die die Suche nie berührt hat. In der nächsten Lektion sehen wir uns den Rohstoff genauer an – Daten, Merkmale und Labels – und warum die Art, wie man die Daten aufteilt, den Wert verändert, den man erhält.

from sklearn.datasets import load_breast_cancer
from sklearn.dummy import DummyClassifier

X, y = load_breast_cancer(return_X_y=True, as_frame=True)
print("tumours:", len(y))
print("malignant:", (y == 0).sum(), "benign:", (y == 1).sum())  # in sklearn gilt 0 = bösartig
always_benign = DummyClassifier(strategy="most_frequent").fit(X, y)
print(f"always 'benign': {always_benign.score(X, y):.1%}")

tumours: 569
malignant: 212 benign: 357
always 'benign': 62.7%