Daten, Merkmale und Labels

Kurz: Daten sind der Rohstoff jedes Modells. Merkmale (Features) sind die Eigenschaften, die das Modell sieht, das Label ist die richtige Antwort, die es vorhersagen soll.

Genauer: Bei einer Hauspreis-Vorhersage sind Fläche, Zimmerzahl und Lage die Merkmale, der Preis das Label. Die Qualität und Menge der Daten bestimmt die Qualität des Modells stärker als fast jede Technik.

Im Detail

• Datensatz: Zeilen = Beispiele, Spalten = Merkmale. Tabelle, Bilder (Pixel), Text (Token), Audio (Wellenform).
• Aufteilung: Training (zum Lernen), Validierung (zum Einstellen), Test (zur ehrlichen Bewertung am Ende). Typisch 80/10/10.
• Vorverarbeitung: Fehlende Werte füllen, Ausreißer prüfen, Skalieren (Normalisieren), Kategorien als Zahlen kodieren (One-Hot).
• Feature Engineering: Aus Rohdaten bessere Merkmale bauen (Wochentag aus Datum). Deep Learning lernt Merkmale oft selbst.
• Label-Qualität: Falsche Labels schaden. Beschriftung ist oft Handarbeit (Crowdsourcing).
• Verzerrung (Bias): Wenn Daten bestimmte Gruppen unterrepräsentieren, lernt das Modell diese schlechter, siehe Verzerrung, Fairness und Datenqualität.
• Datenleck: Wenn Testdaten ins Training geraten, sieht die Leistung besser aus als sie ist.
• Menge: Einfache Modelle brauchen Hunderte, Bildmodelle Millionen, Sprachmodelle Billionen Token.

Siehe auch: Was ist maschinelles Lernen?, Training, Validierung und Test