Verschiedene Arten des Machine Learnings

Die Kreditwürdigkeitsprüfung einzelner Kunden und Unternehmen stellt sich oft als ein sehr aufwendiger Prozess dar. Supervised Machine Learning kann diesen Prozess unterstützen und den zeitlichen Aufwand minimieren. In diesem Artikel werden verschiedenen Arten des Machine Learnings (wie z.B. das Supervised Machine Learning) und deren Einsatzgebiete vorgestellt.

Supervised Machine Learning nutzt bekannte Daten (z.B. Einnahmen, Ausgaben, Alter, Transaktionshistorie, etc. eines Kunden), um daraus Muster und Zusammenhänge zu erkennen. Beim überwachten Lernen wird immer der Zusammenhang zu einer Zielvariable erlernt und versucht diese richtig vorherzusagen. Die Zielvariable kann eine Klasse (bspw. kreditwürdig Ja/Nein) oder ein numerischer Wert (bspw. Umsatz für den nächsten Monat) sein.

Beim Unsupervised Machine Learning bekommt der Algorithmus keine Beispieldaten, sondern Daten, aus denen der Algorithmus eigenständig interessante, versteckte Gruppen und Muster erkennen soll. Der grundsätzliche Unterschied zum Supervised Machine Learning ist also, dass das Unsupervised Machine Learning nicht dafür ausgelegt ist, eine Vorhersage für eine bekannte Zielvariable (z.B. Klassifikation oder Prognose) zu berechnen.

Semi-Supervised Machine Learning nutzt sowohl Beispieldaten mit konkreten Zielvariablen, als auch unbekannte Daten und ist somit eine Mischung aus überwachtem und unüberwachtem Lernen.

Reinforcement Learning ist eine besondere Form des maschinellen Lernens. Bei verstärkendem Lernen wird dem Algorithmus nicht gezeigt, welche Aktion oder Handlung in welcher Situation die richtige ist, sondern dieser erhält durch die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Der entscheidende Unterschied zu überwachten und unüberwachten Lernen ist, dass das bestärkende Lernen vorab keine Beispieldaten benötigt. Der Algorithmus kann in einer Simulationsumgebung in vielen iterativen Schritten eine eigene Strategie entwickeln.