Dimensionsreduktion verringert die Zahl der Merkmale eines Datensatzes, ohne die wesentlichen Informationen zu verlieren. Bekannte Verfahren sind die Hauptkomponentenanalyse (PCA) sowie t-SNE und UMAP, die oft zur Visualisierung dienen. Das beschleunigt Berechnungen, senkt das Risiko der Überanpassung und macht Daten anschaulich – etwa wenn Hunderte Kundenmerkmale auf eine zweidimensionale Karte gebracht werden, auf der ähnliche Kunden nah beieinanderliegen.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenMerkmals-Extraktion (Feature Extraction) bezeichnet das Gewinnen aussagekräftiger Kennwerte aus Rohdaten, damit ein Modell sie effizient verarbeiten kann. Statt Millionen einzelner Bildpunkte nutzt ein System etwa Kanten, Farben oder Formen; aus Texten werden Wortgewichte oder Einbettungsvektoren erzeugt. Gute Merkmale verringern die Datenmenge, senken Rechenaufwand und verbessern oft die Genauigkeit. Sie ist ein zentraler Teil des Feature Engineering.
Clustering ist ein Verfahren des unüberwachten Lernens, das Datenpunkte ohne vorgegebene Kategorien anhand ihrer Ähnlichkeit in Gruppen einteilt. So werden Muster sichtbar, die vorher niemand benannt hat – etwa Kundensegmente mit ähnlichem Kaufverhalten. Bei Texten hilft Clustering, Hunderte Kundenanfragen nach Themen wie Lieferung, Rechnung oder Reklamation zu ordnen und Schwerpunkte zu erkennen.
Overfitting (Überanpassung) liegt vor, wenn ein Modell die Trainingsdaten samt Zufällen und Rauschen auswendig lernt, statt allgemeingültige Muster zu erfassen. Auf bekannten Daten wirkt es dann sehr genau, auf neuen Daten liefert es jedoch schlechte Ergebnisse. Erkennbar ist das an einer großen Lücke zwischen Trainings- und Testfehler. Gegenmaßnahmen sind mehr oder vielfältigere Daten, einfachere Modelle, Regularisierung, Dropout und Kreuzvalidierung.
Feature Engineering bezeichnet das Auswählen, Umformen und Neubilden von Merkmalen (Features) aus Rohdaten, damit ein Lernverfahren Muster besser erkennt. Bei der Feature-Extraktion werden aus komplexen Daten wie Texten, Bildern oder Signalen kompakte, aussagekräftige Kennwerte gewonnen. Beispiel: Aus einzelnen Kaufdaten entstehen Merkmale wie „Tage seit letztem Kauf“ oder „durchschnittlicher Bestellwert“, die eine Kündigungsprognose deutlich verbessern können.
