Zum Inhalt
Alle Apps

Klassifikator-Arena

Über diese App

Acht Klassifikatoren lernen auf denselben Daten: kNN, logistische Regression, lineare und RBF-SVM, Naive Bayes, Entscheidungsbaum, Random Forest und neuronales Netz — ihre Entscheidungsgrenzen zeigen die Modellfamilie, Trainings- und Testgenauigkeit nebeneinander entlarven Überanpassung.

Die Form der Grenze verrät das Modell

Jeder Klassifikator lernt eine Entscheidungsgrenze im Merkmalsraum, und ihre Form folgt aus der Modellfamilie. Lineare Modelle wie logistische Regression und lineare SVM ziehen eine Gerade. kNN entscheidet lokal nach den nächsten Nachbarn. Entscheidungsbaum und Random Forest schneiden achsenparallele Rechtecke. Naive Bayes, RBF-SVM und neuronale Netze erzeugen gekrümmte Grenzen. Ob ein Modell gut ist, zeigt nicht die Trainings-, sondern die Testgenauigkeit auf zurückgehaltenen Punkten: 100 % auf dem Training bedeuten oft, dass Rauschen auswendig gelernt wurde.

Was die App zeigt

Acht Karten mit je einem Modell: k-nächste Nachbarn, logistische Regression, lineare SVM, RBF-SVM, Gauß-Naive-Bayes, Entscheidungsbaum, Random Forest und ein neuronales Netz (MLP mit tanh, trainiert mit Adam). Die Tönung zeigt die vorhergesagte Wahrscheinlichkeit, eine Linie die Grenze bei 0,5. Jede Karte nennt Trainings- und Testgenauigkeit; eine Rangliste vergleicht sie mit der Referenz „immer Mehrheitsklasse“. Ein Klick vergrößert ein Modell und öffnet seine Hyperparameter.

Selbst ausprobieren

Wechsle zwischen den Datensätzen Monde, Kreise, XOR, Wolken, Spirale und Unbalanciert und vergleiche, welche Familien damit zurechtkommen. Erhöhe das Rauschen und beobachte die Lücke zwischen Training und Test. Setze k bei kNN auf 1 oder lass den Baum ohne Tiefenbegrenzung wachsen. Ergänze mit „+ A“ und „+ B“ eigene Punkte; alle Modelle lernen sofort neu.

Häufige Fragen

Welcher Klassifikator ist der beste?
Es gibt keinen Klassifikator, der auf allen Daten am besten ist. Lineare Modelle sind robust und gut interpretierbar, scheitern aber an gekrümmten Grenzen; flexible Modelle wie RBF-SVM oder neuronale Netze passen sich komplexen Mustern an, neigen aber eher zur Überanpassung. Welches Modell passt, zeigt der Vergleich auf zurückgehaltenen Testdaten.
Was ist eine Entscheidungsgrenze?
Die Entscheidungsgrenze trennt die Bereiche des Merkmalsraums, in denen ein Klassifikator unterschiedliche Klassen vorhersagt. Bei probabilistischen Modellen liegt sie dort, wo die vorhergesagte Wahrscheinlichkeit für beide Klassen gleich ist, bei zwei Klassen also bei 0,5.
Warum ist hohe Trainingsgenauigkeit kein gutes Zeichen?
Ein Modell kann die Trainingsdaten einschließlich ihres Rauschens auswendig lernen und erreicht dann 100 % Trainingsgenauigkeit. Auf neuen Daten schneidet es trotzdem schlecht ab. Eine große Lücke zwischen Trainings- und Testgenauigkeit ist ein typisches Zeichen für Überanpassung.
Was kann ich in der App ausprobieren?
Du wählst einen von sechs Datensätzen, stellst Rauschen, Punktzahl und Testanteil ein und vergleichst acht Klassifikatoren nebeneinander. Für jedes Modell lassen sich die Hyperparameter einstellen, etwa k, C, γ, Baumtiefe, Baumzahl oder Netzgröße. Eigene Trainingspunkte kannst du setzen und verschieben.

Fach: Machine Learning

Mehr aus Machine Learning

Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps