Vier Klassifizierungsverfahren des maschinellen Lernens — interaktiv erkunden, eigene Modelle bauen, Funktionsweise verstehen
k-Nächste Nachbarn
So funktioniert es: Setze Trainingspunkte in die Fläche (Klasse links wählen, dann klicken). Bewege danach die Maus über die Fläche — der Punkt wird vom Algorithmus klassifiziert, indem er die k nächsten Nachbarn sucht und per Mehrheitsentscheid die Klasse bestimmt.
🎬 Automatische Demo · Schritt 1 / 1
Tempo:
1.0×
3
3
Klasse:Klicken oder Ziehen zum Setzen
Was passiert hier?
k-NN klassifiziert „faul": Es gibt keine Trainingsphase. Bei jeder neuen Anfrage werden alle Distanzen zu den Trainingspunkten berechnet, die k kleinsten herausgesucht und per Mehrheitsentscheid abgestimmt.
Live: Berechnung für den Mauspunkt
Bewege die Maus über die Fläche…
Distanztabelle (Top 8)
Stimmen-Auszählung
Linearer Klassifizierer
So funktioniert es: Jede Klasse bekommt eine Geradengleichung w₁·x + w₂·y + b. Das Modell wählt die Klasse mit dem höchsten Wert. Die Gewichte werden per Perceptron-Lernregel trainiert — wir können den Vorgang Schritt für Schritt verfolgen.
🎬 Automatische Demo · Schritt 1 / 1
Tempo:
1.0×
0.10
500
3
Klasse:Klicken oder Ziehen zum Setzen
Trainingsverlauf
Perceptron-Regel: Bei einem falsch klassifizierten Punkt werden die Gewichte der richtigen Klasse erhöht (Punkt anziehen) und die der falsch vorhergesagten Klasse verringert (Punkt abstoßen).
Aktuelle Gewichte
Genauigkeit
Noch nicht trainiert.
Letzte Lernschritte
Live: Vorhersage für Mauspunkt
Bewege die Maus über die Fläche…
Entscheidungsbaum
So funktioniert es: Der Baum teilt die Fläche durch gerade Schnitte. An jedem Knoten wählt der Algorithmus die Achse und den Schwellenwert, die die Gini-Unreinheit am stärksten reduzieren. Wir können den Baum von Hand wachsen lassen oder voll trainieren.
🎬 Automatische Demo · Schritt 1 / 1
Tempo:
1.0×
4
3
Klasse:Klicken oder Ziehen zum Setzen
Baumstruktur
Gini-Unreinheit misst, wie „gemischt" eine Punktmenge ist: G = 1 − Σ pᵢ². Bei reinen Knoten (nur eine Klasse) ist G = 0.
Noch kein Baum gebaut.
Aufbau-Protokoll
Live: Pfad für Mauspunkt
Bewege die Maus über die Fläche…
k-Means (Clustering)
So funktioniert es: k-Means ist unüberwacht — wir geben nur Punkte ohne Klassenlabels. Der Algorithmus setzt k Zentren zufällig, weist Punkte dem nächsten Zentrum zu (E-Schritt) und verschiebt jedes Zentrum auf den Schwerpunkt seiner Punkte (M-Schritt). Beide Schritte abwechselnd, bis sich nichts mehr ändert.
🎬 Automatische Demo · Schritt 1 / 1
Tempo:
1.0×
3
Unüberwachtes Verfahren: einfach Punkte setzen — k-Means findet die Cluster selbst
Algorithmus-Status
Konvergenz: Wenn sich in einem E-Schritt keine Punktzuweisung mehr ändert, ist der Algorithmus fertig. Die Lösung hängt allerdings von der zufälligen Initialisierung ab!