Einleitung und Lernziel bearbeitet
Eine Testnote soll das spätere Ergebnis des gesamten Kurses vorhersagen.
Der Algorithmus kann nicht zaubern.
Das Neuron kennt nur die Note einer einzelnen Mathearbeit. Daraus soll es vorhersagen, ob eine Person später den gesamten Mathematikkurs besteht. Andy schreibt zum Beispiel in der ersten Klassenarbeit eine 4−. Besteht er später den Kurs? Der Trainingsalgorithmus soll aus früheren Fällen eine passende Einstellung für das Neuron finden. Doch einige dieser Fälle widersprechen sich.
Nach diesem Modul kannst du …
- widersprüchliche Beispiele in Trainingsdaten erkennen,
- erklären, wie ein Trainingsalgorithmus möglichst wenige falsche Ausgaben erreichen soll,
- begründen, warum ein einzelnes Neuron nicht alle widersprüchlichen Fälle richtig ausgeben kann.
316 Trainingsfälle
Testnote und späteres Kursergebnis
Der Vergleich zeigt den Unterschied: Bei 2− sind die Trainingsdaten eindeutig: Alle 13 Personen bestehen den Kurs später. Bei 4− widersprechen sich die Daten: 13 Personen bestehen, 25 bestehen nicht. Weil die Eingabe 4− gleich ist, muss das Neuron für alle dieselbe Antwort erzeugen – und liegt dadurch bei einigen Personen zwangsläufig falsch.
Zwei verschiedene Messwerte: „Trainingsfälle richtig“ zählt nur die endgültigen Ja-Nein-Ausgaben. Der Fehlerwert berücksichtigt auch die Berechnungen vor dieser Entscheidung. Deshalb kann er weiter sinken, selbst wenn kein zusätzlicher Fall von einer falschen zu einer richtigen Ausgabe wechselt.
Einstellung des Neurons
Gewicht und Schwellwert
Gewicht: Wie stark und in welche Richtung die Testnote wirkt.
Schwellwert: An welcher Stelle die Ausgabe wechselt.
Hilfe: Was hat der Algorithmus am Ende gefunden?
Der Algorithmus senkt den Fehlerwert Schritt für Schritt. Nach ausreichend Lernschritten liegt die Grenze zwischen 4 und 4−. Dort bleiben insgesamt die wenigsten falschen Ausgaben. Ganz verschwinden können sie bei diesen Daten nicht.
Neuron testen
Welche Ausgabe erzeugt das Neuron?
Hilfe: Wie sicher ist diese Antwort?
* Die Notenanzeige ist angenähert. Das Modell trainiert auf realen anonymisierten Fällen. Methodischer Hinweis
Modul abgeschlossen
Ein sinkender Fehlerwert bedeutet nicht, dass alle Fälle richtig sind.
Bei widersprüchlichen Trainingsdaten sucht der Algorithmus eine Einstellung mit möglichst wenig Fehlern. Die nicht auflösbaren Widersprüche bleiben trotzdem bestehen.