Supervised Learning

Was ist Supervised Learning?

Supervised Learning ist ein Verfahren des maschinellen Lernens, bei dem ein Modell anhand gekennzeichneter Beispieldaten trainiert wird. Zu jeder Eingabe ist die gewünschte Ausgabe bekannt. Das Modell lernt den Zusammenhang zwischen Merkmalen und Zielwerten, um anschließend Klassen oder Zahlenwerte für neue, unbekannte Daten vorherzusagen.

Wie funktioniert Supervised Learning?

Supervised Learning, auf Deutsch einmalig als überwachtes Lernen bezeichnet, benötigt Trainingsdaten aus Eingaben und den dazugehörigen richtigen Ergebnissen. Eine Eingabe kann beispielsweise aus Textmerkmalen, Produktdaten oder Kampagnenkennzahlen bestehen. Das bekannte Ergebnis heißt Label oder Zielvariable. Der Lernalgorithmus passt seine internen Parameter so an, dass die berechneten Vorhersagen möglichst nah an diesen Zielwerten liegen.

Ein einfaches Beispiel ist die Erkennung von Spam. Jeder Trainings-E-Mail wird vorab das Label Spam oder kein Spam zugeordnet. Das Modell untersucht Merkmale wie bestimmte Wörter, Absenderinformationen und Linkmuster. Nach dem Training kann Supervised Learning neue E-Mails einer der beiden Klassen zuordnen.

Der typische Ablauf umfasst mehrere voneinander getrennte Schritte:

Relevante Eingabemerkmale und eine eindeutige Zielvariable werden festgelegt.
Die Beispiele erhalten korrekte Labels, etwa Produktkategorie, Kaufabschluss oder Umsatzwert.
Die Daten werden in Trainingsdaten sowie separate Validierungs- und Testdaten aufgeteilt.
Ein Algorithmus lernt die Beziehung zwischen Eingaben und Zielwerten.
Das fertige Modell wird mit bislang unbekannten Testdaten bewertet.
Nach der Einführung werden Datenqualität und Vorhersagegüte regelmäßig kontrolliert.

Klassifikation und Regression

Supervised Learning löst hauptsächlich zwei Arten von Aufgaben: Klassifikation und Regression. Der Unterschied liegt in der Form des vorherzusagenden Ergebnisses. Eine Klassifikation wählt eine begrenzte Klasse aus, während eine Regression einen kontinuierlichen Zahlenwert berechnet.

Aufgabentyp	Ziel	Beispiel im Marketing	Geeignete Kennzahlen
Klassifikation	Zuordnung zu einer Klasse	Lead wird kaufbereit oder nicht kaufbereit eingestuft	Precision, Recall, F1-Wert
Regression	Vorhersage eines Zahlenwertes	Prognose des erwarteten Umsatzes einer Kampagne	MAE, MSE, RMSE

Klassifikation mit festen Kategorien

Eine Klassifikation kann binär oder mehrklassig sein. Bei einer binären Klassifikation existieren genau zwei mögliche Ergebnisse, etwa Conversion oder keine Conversion. Eine Mehrklassen-Klassifikation ordnet ein Beispiel einer von mehreren Kategorien zu, beispielsweise einer Suchintention wie Information, Navigation, Transaktion oder lokaler Suche.

Regression für Zahlenwerte

Eine Regression kommt zum Einsatz, wenn der Zielwert stufenlos ist. Typische Beispiele sind Umsatz, Klickkosten, Lieferzeit oder Nachfrage. Die mittlere quadratische Abweichung wird häufig als Verlustfunktion verwendet: MSE = 1/n × Summe aus (tatsächlicher Wert minus Vorhersage)². Liegt der tatsächliche Wert bei 100 und die Vorhersage bei 90, beträgt der quadrierte Fehler dieses Beispiels 100.

Eine Verlustfunktion steuert das Training, eine Bewertungskennzahl beurteilt das Ergebnis. Beide können mathematisch identisch sein, erfüllen aber unterschiedliche Aufgaben: Während des Trainings minimiert der Algorithmus den Verlust. Anschließend wird die Vorhersagegüte anhand unabhängiger Daten bewertet.

Trainingsdaten bestimmen die Qualität

Ein verbreiteter Denkfehler besteht darin, die Modellqualität hauptsächlich vom gewählten Algorithmus abhängig zu machen. Supervised Learning kann nur Beziehungen lernen, die in den gekennzeichneten Daten enthalten sind. Falsche Labels, fehlende Merkmale oder nicht repräsentative Beispiele führen deshalb auch bei einem komplexen Modell zu unzuverlässigen Vorhersagen.

Trainings-, Validierungs- und Testdaten erfüllen getrennte Aufgaben. Das Modell lernt aus den Trainingsdaten. Mit den Validierungsdaten werden Einstellungen und Modellvarianten ausgewählt. Die Testdaten bleiben bis zur abschließenden Bewertung unberührt. Werden Testdaten bereits bei der Optimierung verwendet, misst der Test keine unabhängige Leistung mehr.

Für belastbare Trainingsdaten solltest du insbesondere diese Bedingungen prüfen:

Die Labels folgen einer eindeutigen und dokumentierten Definition.
Seltene, aber geschäftlich relevante Fälle sind ausreichend vertreten.
Merkmale enthalten keine Informationen, die zum Vorhersagezeitpunkt noch unbekannt wären.
Doppelte oder nahezu identische Datensätze verteilen sich nicht auf Training und Test.
Die Daten bilden den späteren Einsatzbereich des Modells ab.

So wird Supervised Learning bewertet

Messbar ist Supervised Learning mit Kennzahlen, die zur Aufgabe und zu den Folgen einer Fehlentscheidung passen. Accuracy berechnet den Anteil korrekter Klassifikationen an allen Fällen. Bei stark ungleich verteilten Klassen kann eine hohe Accuracy jedoch täuschen. Wenn nur 1 von 100 Fällen positiv ist, erreicht ein Modell mit ausschließlich negativen Vorhersagen bereits 99 Prozent Accuracy, erkennt aber keinen einzigen positiven Fall.

Precision beantwortet die Frage, wie viele positive Vorhersagen tatsächlich positiv waren. Recall misst, wie viele der vorhandenen positiven Fälle erkannt wurden. Der F1-Wert bildet das harmonische Mittel aus Precision und Recall. Bei einer Umsatzprognose sind dagegen absolute oder quadratische Abweichungen geeigneter. Wähle die Kennzahl nach dem Schaden aus, den ein falsch positiver oder falsch negativer Fall verursacht.

Typische Fehler beim Modelltraining

Overfitting entsteht, wenn Supervised Learning die Trainingsdaten einschließlich zufälliger Besonderheiten zu genau abbildet. Ein überangepasstes Modell erzielt im Training gute Werte, verliert bei unbekannten Daten aber deutlich an Qualität. Ein großer Abstand zwischen Trainings- und Validierungsergebnis ist deshalb ein konkretes Warnsignal. Gegenmaßnahmen sind einfachere Modelle, Regularisierung, mehr geeignete Daten und eine saubere Kreuzvalidierung.

Data Leakage macht Ergebnisse scheinbar besser, als sie im späteren Einsatz sein können. Leakage liegt beispielsweise vor, wenn ein Merkmal Informationen über den Zielwert enthält, die zum echten Vorhersagezeitpunkt noch nicht verfügbar sind. Prüfe deshalb für jedes Merkmal, wann es entsteht und ob es vor der Entscheidung tatsächlich vorliegt.

Supervised Learning im Online-Marketing

Im Online-Marketing kann Supervised Learning wiederkehrende Entscheidungen unterstützen, sofern historische Daten und klar definierte Zielwerte vorhanden sind. Mögliche Anwendungen reichen von der Lead-Bewertung über Nachfrageprognosen bis zur automatischen Klassifikation großer Keyword- oder Content-Bestände.

Für SEO kann ein Modell Suchbegriffe nach Suchintention, Seitentyp oder Themencluster klassifizieren. Die Qualität hängt dabei von einer konsistenten Keyword-Recherche und eindeutig beschrifteten Beispielen ab. Ein Modell sollte keine fachliche Prüfung ersetzen, wenn Begriffe mehrere Bedeutungen haben oder die passende Zielseite vom Geschäftsmodell abhängt.

Im SEA kann Supervised Learning Conversion-Wahrscheinlichkeiten oder erwartete Werte prognostizieren. Historische Kampagnendaten sind jedoch nur dann geeignete Trainingsdaten, wenn Tracking, Zieldefinition und Datenstruktur über den betrachteten Zeitraum vergleichbar bleiben. Änderungen am Tracking oder am Sortiment können gelernte Beziehungen entwerten.

Für GEO, also Generative Engine Optimization, lässt sich Supervised Learning zur Einordnung von Quellen, Themen und Markenempfehlungen einsetzen. Die Optimierung der KI-Sichtbarkeit in generativen Suchsystemen erfordert zusätzlich qualitative Prüfungen, weil die bloße Erwähnung einer Marke noch keine positive Empfehlung oder korrekte Quellenzuordnung belegt.

Auch die automatisierte Erstellung und Prüfung von Content kann Klassifikationsmodelle nutzen, etwa zur Erkennung von Themen, Textarten oder Freigabefällen. Supervised Learning benötigt dafür vorab bewertete Beispiele, deren Qualitätskriterien nachvollziehbar dokumentiert sind.

Abgrenzung zu anderen Lernverfahren

Der Unterschied zwischen Supervised Learning und Unsupervised Learning liegt in den Zielwerten. Supervised Learning trainiert mit bekannten Ergebnissen. Unsupervised Learning erhält keine Labels und sucht selbstständig nach Strukturen, Ähnlichkeiten oder Gruppen. Eine Keyword-Klassifikation mit vorgegebenen Suchintentionen ist überwacht, ein Clustering ohne vorgegebene Kategorien ist unüberwacht.

Reinforcement Learning lernt durch Belohnungen für Handlungen innerhalb einer Umgebung. Das System erhält nicht für jedes Beispiel die richtige Antwort, sondern bewertet die Folgen einer Entscheidung. Self-Supervised Learning erzeugt Trainingssignale aus den Daten selbst, etwa indem Teile eines Textes verdeckt und vorhergesagt werden. Trotz ähnlicher Begriffe unterscheiden sich damit Datenbasis, Lernziel und Feedbackmechanismus.

Häufige Fragen zu Supervised Learning

Welche Algorithmen werden für Supervised Learning verwendet?

Häufig verwendete Verfahren sind lineare und logistische Regression, Entscheidungsbäume, Random Forests, Support Vector Machines und neuronale Netze. Die Wahl hängt von Datentyp, Datenmenge, Zielvariable und gewünschter Erklärbarkeit ab.

Braucht Supervised Learning immer sehr viele Daten?

Die benötigte Datenmenge hängt von der Komplexität der Aufgabe und der Vielfalt der möglichen Fälle ab. Wenige konsistente Beispiele können für eine einfache Aufgabe genügen, während komplexe Sprach-, Bild- oder Prognosemodelle wesentlich mehr gekennzeichnete Daten benötigen.

Was sind Labels beim maschinellen Lernen?

Labels sind die bekannten Zielwerte eines Trainingsbeispiels. Ein Label kann eine Kategorie wie Spam, eine Zahl wie Umsatz oder eine andere eindeutig definierte Ausgabe sein.

Kann Supervised Learning falsche Zusammenhänge lernen?

Ja. Ein Modell kann zufällige Korrelationen, Verzerrungen oder Datenfehler übernehmen. Unabhängige Testdaten und eine fachliche Prüfung der verwendeten Merkmale helfen, solche Zusammenhänge zu erkennen.

Was ist der Unterschied zwischen Training und Vorhersage?

Beim Training werden die Modellparameter anhand bekannter Zielwerte angepasst. Bei der Vorhersage verwendet das fertige Modell diese Parameter, um für neue Eingaben einen bislang unbekannten Zielwert zu berechnen.

Wie oft muss ein Modell neu trainiert werden?

Ein fester Zeitraum gilt nicht für jedes Modell. Ein neues Training ist erforderlich, wenn sich Datenverteilung, Nutzerverhalten, Tracking, Produkte oder Geschäftsregeln so verändern, dass die bisherigen Testwerte den aktuellen Einsatz nicht mehr abbilden.