Ein neuer Klassifizierungsalgorithmus ohne negativen Daten im Datensatz

1 min read

Klassifizierungsalgorithmus ohne negativen Daten im Datensatz

Die Forscher haben im Ricken-Projekt eine neue Methode des Machine Learning entwickelt, mit der Sie Modellen lehren können, Objekte ohne negative Daten im Trainingsdatensatz zu klassifizieren.

In Klassifikationsaufgaben verwenden die Algorithmen sowohl positive als auch negative Daten. Wenn Sie beispielsweise ein Lächeln auf einem Foto definieren möchten, dann werden Bilder mit einer lächelnden Person als positiv klassifiziert, und Fotos von einer Person ohne Lächeln werden als negativ klassifiziert. Das Problem bei dieser Technologie liegt darin, dass beide Beispiele zum Lernen benötigt werden.

Im neuen Ansatz arbeiten die Forscher nur mit positiven Daten. Diese Methode ist sinnvoll, wenn keine negativen Daten für das Modell vorhanden sind. Das Team verwendet einen Vertrauensindex (Pconf), der mathematisch berechnet, ob das Ergebnis in einer positiven Klasse liegt.

Um beispielsweise Käufe vorherzusagen, ist es einfach, Daten von Kunden zu erhalten, die bereits einen Kauf getätigt haben – diese sind positiv. Aber es ist unmöglich, negative zu bekommen, weil es keine Informationen über Personen gibt, die keinen Kauf getätigt haben.  Dabei können die Daten aus den Umfragen bei Bestandskunden ein Indikator für das Vertrauen sein, sofern sie bereit sind, einen solchen Kauf bei Wettbewerbern zu tätigen. Die Daten werden in die Wahrscheinlichkeit 0 oder 1 umgewandelt und als Pconf verwendet.

Die Forscher haben die Methode auf MNIST und den CIFAR-10 Datensätzen getestet. Die Pconf-Ergebnisse sind vergleichbar mit anderen modernen Klassifizierungsmethoden, die negative Daten für das Training verwenden. Der Ansatz wird dazu beitragen, die Leistung von Klassifikationsmodellen zu verbessern und Fehler zu minimieren, wenn es nicht möglich ist, negative Daten für die Vorbereitung zu erhalten.

Welche Fragen im Bereich KI werden Ihnen des Öfteren gestellt?

Wie setzt man KI in Ihrem Umfeld ein?

Diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.

Quelle

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.