Supervised vs Unsupervised Learning: Die zwei Lernarten erklärt

Option A Supervised Learning vs Option B Unsupervised Learning

Aspekt	Supervised Learning	Unsupervised Learning
Trainingsdaten	Gelabelte Daten (Input + Output)	Nur Inputs (keine Labels)
Ziel	Vorhersage von Labels/Werten	Muster und Strukturen finden
Typische Aufgaben	Klassifikation, Regression	Clustering, Dimensionsreduktion
Beispiele	Spam-Erkennung, Preisvorhersage	Kundensegmentierung, Anomalieerkennung
Daten-Aufwand	Hoch (Labeling nötig)	Niedriger (keine Labels)
Evaluation	Klar (Accuracy, F1, etc.)	Schwieriger (Silhouette, etc.)
Interpretierbarkeit	Klare Vorhersagen	Cluster müssen interpretiert werden

Fazit Kommt auf den Use Case an

Supervised für klare Vorhersage-Aufgaben mit gelabelten Daten. Unsupervised für Exploration und wenn keine Labels verfügbar sind.

Der fundamentale Unterschied

Die zwei Hauptkategorien des Machine Learning unterscheiden sich in einer Frage: Hast du die richtigen Antworten (Labels)?

Supervised: Ja, ich habe Input-Output-Paare zum Lernen
Unsupervised: Nein, ich habe nur Inputs und suche Muster

Supervised Learning

Das Modell lernt aus Beispielen mit bekannten Antworten.

Trainingsdaten:
| E-Mail-Text           | Label    |
|-----------------------|----------|
| "Gewinn 1 Million..." | Spam     |
| "Meeting morgen 10h"  | Kein Spam|
| "Klicke hier sofort"  | Spam     |

-> Modell lernt: Welche Muster führen zu "Spam"?
-> Kann neue E-Mails klassifizieren

Typische Algorithmen:

Lineare/Logistische Regression
Decision Trees, Random Forest
Support Vector Machines
Neuronale Netze (für Klassifikation/Regression)

Unsupervised Learning

Das Modell findet Strukturen ohne vorgegebene Antworten.

Daten:
| Kunde | Alter | Einkommen | Käufe/Monat |
|-------|-------|-----------|-------------|
| A     | 25    | 30k       | 2           |
| B     | 45    | 80k       | 8           |
| C     | 23    | 28k       | 3           |

-> Modell findet: "Es gibt 3 Kundengruppen"
-> Du interpretierst: "Jung/Wenig", "Mittel", "Premium"

Typische Algorithmen:

K-Means Clustering
Hierarchisches Clustering
PCA (Dimensionsreduktion)
Autoencoders

Wann welche Methode?

Situation	Methode
”Ist diese E-Mail Spam?”	Supervised (Klassifikation)
“Wie viel kostet das Haus?”	Supervised (Regression)
“Welche Kundengruppen gibt es?”	Unsupervised (Clustering)
“Welche Features sind wichtig?”	Unsupervised (Dimensionsreduktion)
“Ist dieser Datenpunkt ungewöhnlich?”	Unsupervised (Anomalieerkennung)

In der Praxis: Kombination

Oft nutzt man beide Ansätze zusammen:

1. Unsupervised: Clustering zur Kundensegmentierung
2. Supervised: Vorhersage, in welches Segment neue Kunden fallen

Oder:

1. Unsupervised: PCA zur Dimensionsreduktion
2. Supervised: Klassifikation auf reduzierten Features

Häufige Fragen

Was ist Semi-Supervised Learning?

Eine Kombination: Wenige gelabelte + viele ungelabelte Daten. Das Modell lernt Strukturen aus den ungelabelten Daten und nutzt die Labels zur Feinabstimmung. Nützlich wenn Labeling teuer ist.

Ist Deep Learning supervised oder unsupervised?

Beides möglich. CNNs für Bildklassifikation sind supervised. Autoencoders und GANs sind unsupervised. LLM Pre-Training ist self-supervised (eine Form von unsupervised).

Welche Methode brauche ich für mein Problem?

Hast du Labels und willst Vorhersagen machen? → Supervised. Willst du Muster finden oder hast keine Labels? → Unsupervised. Oft nutzt man beide: Unsupervised für Feature Engineering, dann Supervised für Vorhersage.

Mehr erfahren

Grundlagen

Supervised Learning

Eine Machine-Learning-Methode, bei der ein Modell aus gelabelten Beispieldaten lernt – also aus Eingaben mit bekannter korrekter Ausgabe.

Einsteiger Mehr erfahren →

Grundlagen

Unsupervised Learning

Eine Machine-Learning-Methode, bei der ein Modell eigenständig Muster und Strukturen in ungelabelten Daten erkennt – ohne vorgegebene richtige Antworten.

Einsteiger Mehr erfahren →