Auch genannt: Supervised Learning
Überwachtes Lernen ist ein Lernparadigma des maschinellen Lernens, bei dem ein Modell anhand von mit korrekten Antworten gekennzeichneten Trainingsdaten lernt, Eingaben den passenden Ausgaben zuzuordnen.
Beim überwachten Lernen bekommt ein Modell nicht nur Beispieldaten, sondern zu jedem Beispiel auch die jeweils richtige Antwort dazu – vergleichbar mit Karteikarten, auf deren Rückseite bereits die Lösung steht. Aus vielen solcher Beispielpaare lernt das Modell einen allgemeinen Zusammenhang zwischen Eingabe und Ausgabe, den es anschließend auch auf neue, noch unbekannte Eingaben anwenden kann.
Ein überwacht trainiertes Modell erhält einen Datensatz, in dem jede Eingabe mit dem jeweils gewünschten Ausgabewert versehen ist; solche Datensätze werden als gelabelt bezeichnet. Während des Trainings passt das Modell seine internen Parameter schrittweise so an, dass seine eigenen Vorhersagen den vorgegebenen, bekannten Ausgaben möglichst nahekommen. Anschließend wird die Qualität des trainierten Modells anhand eines separaten Testdatensatzes überprüft, um einzuschätzen, wie gut es auch auf Daten reagiert, die beim Training nicht verwendet wurden.
Ein Spam-Filter wird mit tausenden E-Mails trainiert, die jeweils bereits mit „Spam“ oder „kein Spam“ gekennzeichnet sind. Aus diesen Beispielen lernt das Modell Muster, die typisch für Spam-Nachrichten sind, und kann anschließend auch neue, noch ungesehene E-Mails zuverlässig einer der beiden Kategorien zuordnen.
Überwachtes Lernen wird eingesetzt, um Bilder und Texte zu klassifizieren, Spam oder Betrugsfälle zu erkennen und numerische Werte wie Preise oder Nachfragemengen anhand bekannter Beispiele vorherzusagen.
Überwachtes Lernen benötigt in der Regel große Mengen sorgfältig gekennzeichneter Trainingsdaten, deren Erstellung oft aufwendig und kostspielig ist. Die Qualität der verwendeten Kennzeichnungen begrenzt dabei unmittelbar die Qualität des trainierten Modells: Fehlerhafte oder einseitige Labels führen zu einem Modell, das diese Fehler oder Einseitigkeiten übernimmt. Häufig wird außerdem übersehen, dass ein überwacht trainiertes Modell nur Muster erkennt, die bereits in den gekennzeichneten Trainingsbeispielen vorkamen, und nicht automatisch über diese hinaus verallgemeinert.
Nicht zu verwechseln mit Bestärkendes Lernen: Beim bestärkenden Lernen lernt ein System durch Belohnung oder Bestrafung aus den Folgen eigener Handlungen in einer Umgebung, während beim überwachten Lernen von vornherein feststehende, bereits mit der korrekten Antwort versehene Beispiele zum Training verwendet werden.