K-Nearest Neighbors (k-nächste Nachbarn, kurz k-NN) ist ein einfaches Verfahren des überwachten Lernens. Um einen neuen Datenpunkt einzuordnen, sucht es die k ähnlichsten bekannten Beispiele und übernimmt deren häufigste Klasse oder bei Zahlenwerten deren Mittelwert. Es braucht kein eigentliches Training, wird bei großen Datenmengen aber langsam und reagiert empfindlich auf die Skalierung der Merkmale. Beispiel: Produktempfehlungen anhand ähnlicher Kunden.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenEin Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.
K-Means ist ein Verfahren des unüberwachten Lernens, das Datenpunkte in eine vorab festgelegte Zahl k von Gruppen einteilt. Es weist jeden Punkt dem nächstgelegenen Gruppenmittelpunkt zu und verschiebt diese Mittelpunkte so lange, bis sich die Zuordnung kaum noch ändert. Das Verfahren ist schnell und verständlich, setzt aber eine sinnvolle Wahl von k und vergleichbar skalierte Merkmale voraus. Beispiel: Kunden nach Kaufhäufigkeit und Warenkorbwert gruppieren.
Beim überwachten Lernen (Supervised Learning) lernt ein Modell aus Beispielen, bei denen die richtige Antwort bereits bekannt ist – etwa E-Mails mit der Markierung „Spam“ oder „kein Spam“. Daraus leitet es Regeln ab, um neue, unbekannte Fälle einzuordnen oder Werte vorherzusagen. Typische Aufgaben sind Klassifikation und Regression; der Aufwand liegt vor allem im Erstellen sauber beschrifteter Daten.
Ein Einbettungsvektor (Embedding) ist eine Liste von Zahlen, die die Bedeutung eines Wortes, Satzes oder Dokuments so abbildet, dass inhaltlich ähnliche Texte nah beieinanderliegen. So lässt sich etwa erkennen, dass „Kündigung“ und „Vertrag beenden“ verwandt sind, obwohl sie kein Wort teilen. Embeddings bilden die Grundlage vieler semantischer Suchsysteme, Empfehlungsdienste und RAG-Anwendungen; sie werden von eigens trainierten Modellen berechnet.
