Accuracy (Genauigkeit): Anteil der korrekt klassifizierten Beispiele in der Evaluation von KI-Modellen
Die Accuracy (Genauigkeit) ist eine der grundlegendsten Metriken zur Bewertung von KI-Modellen im maschinellen Lernen. Sie misst den Anteil der korrekt klassifizierten Beispiele an der Gesamtzahl aller Vorhersagen und gibt damit einen ersten Überblick über die Leistungsfähigkeit eines Modells. In der praktischen Anwendung von künstlicher Intelligenz spielt diese Kennzahl eine entscheidende Rolle bei der Entscheidung, ob ein Modell produktionsreif ist oder weiter optimiert werden muss. Besonders in Bereichen wie der Bilderkennung, Sprachverarbeitung und medizinischen Diagnostik ist die Accuracy ein wichtiger Indikator für die Zuverlässigkeit von KI-Systemen.
Was ist Accuracy (Genauigkeit) in der KI?
Accuracy, auf Deutsch Genauigkeit, ist eine fundamentale Bewertungsmetrik im maschinellen Lernen, die den Prozentsatz der korrekten Vorhersagen eines KI-Modells im Verhältnis zur Gesamtzahl aller Vorhersagen misst. Sie beantwortet die einfache Frage: Wie oft liegt das Modell richtig?
Die Accuracy wird besonders häufig bei Klassifikationsproblemen eingesetzt, bei denen ein Modell Datenpunkte in vordefinierte Kategorien einordnen muss. Beispiele hierfür sind die Spam-Erkennung in E-Mails, die Identifizierung von Objekten in Bildern oder die Diagnose von Krankheiten anhand medizinischer Daten.
Berechnung der Accuracy
Die mathematische Formel zur Berechnung der Accuracy ist denkbar einfach:
Accuracy = (Richtige Vorhersagen) / (Gesamtzahl aller Vorhersagen) × 100%
Oder ausführlicher mit den Komponenten der Confusion Matrix:
Accuracy = (TP + TN) / (TP + TN + FP + FN) × 100%
Dabei bedeuten: TP = True Positives, TN = True Negatives, FP = False Positives, FN = False Negatives
Die Confusion Matrix verstehen
Um die Accuracy vollständig zu verstehen, ist die Confusion Matrix (Konfusionsmatrix) ein unverzichtbares Werkzeug. Sie visualisiert die Leistung eines Klassifikationsmodells und zeigt, wo das Modell korrekte und falsche Vorhersagen trifft.
Richtig erkannt
Fälschlich verworfen
Falschalarm
Richtig verworfen
Die vier Komponenten erklärt
True Positives (TP)
Das Modell hat korrekt eine positive Klasse vorhergesagt. Beispiel: Ein Spam-Filter identifiziert eine E-Mail richtig als Spam.
True Negatives (TN)
Das Modell hat korrekt eine negative Klasse vorhergesagt. Beispiel: Eine legitime E-Mail wird richtig als Nicht-Spam erkannt.
False Positives (FP)
Das Modell hat fälschlicherweise eine positive Klasse vorhergesagt. Beispiel: Eine legitime E-Mail wird irrtümlich als Spam markiert.
False Negatives (FN)
Das Modell hat fälschlicherweise eine negative Klasse vorhergesagt. Beispiel: Eine Spam-E-Mail landet im normalen Posteingang.
Praktisches Beispiel zur Accuracy-Berechnung
Medizinische Diagnostik: Krebserkennung
Ein KI-Modell zur Krebserkennung untersucht 1.000 Gewebeproben mit folgenden Ergebnissen:
- True Positives (TP): 85 Krebsfälle korrekt erkannt
- True Negatives (TN): 890 gesunde Proben korrekt identifiziert
- False Positives (FP): 10 gesunde Proben fälschlich als Krebs diagnostiziert
- False Negatives (FN): 15 Krebsfälle übersehen
Berechnung:
Accuracy = (85 + 890) / (85 + 890 + 10 + 15) = 975 / 1.000 = 97,5%
Das Modell erreicht eine Accuracy von 97,5%, was auf den ersten Blick hervorragend erscheint.
⚠️ Achtung: Die Tücken der Accuracy
In diesem Beispiel übersieht das Modell jedoch 15 Krebsfälle (False Negatives). In der medizinischen Diagnostik können diese übersehenen Fälle lebensbedrohliche Konsequenzen haben. Dies zeigt eine wichtige Limitation der Accuracy: Sie behandelt alle Fehlerarten gleich und berücksichtigt nicht die unterschiedliche Schwere von Fehlklassifikationen.
Wann ist Accuracy eine gute Metrik?
Ideale Anwendungsfälle
✓ Ausgewogene Datensätze
Accuracy funktioniert am besten, wenn die Klassen im Datensatz annähernd gleich verteilt sind. Bei einer 50:50-Verteilung zwischen zwei Klassen gibt die Accuracy ein zuverlässiges Bild der Modellleistung.
Bilderkennung
Bei der Klassifizierung von Bildern in mehrere gleichmäßig verteilte Kategorien (z.B. Tierarten) ist Accuracy aussagekräftig.
Handschrifterkennung
Die Erkennung von handgeschriebenen Ziffern (0-9) mit relativ ausgewogener Verteilung profitiert von Accuracy als Metrik.
Spracherkennung
Bei der Erkennung von Sprachbefehlen mit ähnlich häufigen Kommandos gibt Accuracy einen guten Überblick.
Produktkategorisierung
E-Commerce-Systeme mit ausgewogen verteilten Produktkategorien können Accuracy sinnvoll nutzen.
Das Problem unausgeglichener Datensätze
Die größte Schwäche der Accuracy zeigt sich bei unausgeglichenen (imbalanced) Datensätzen. Dies ist ein häufiges Problem in der realen Welt, wo bestimmte Klassen deutlich häufiger vorkommen als andere.
Beispiel: Kreditkartenbetrug
Angenommen, von 10.000 Kreditkartentransaktionen sind nur 50 betrügerisch (0,5%). Ein naives Modell, das einfach alle Transaktionen als legitim klassifiziert, würde erreichen:
Accuracy = 9.950 / 10.000 = 99,5%
Diese scheinbar hervorragende Accuracy ist jedoch wertlos, da das Modell keinen einzigen Betrugsfall erkennt! Dies wird als „Accuracy Paradox“ bezeichnet.
Visualisierung des Problems
Accuracy – aber 0% Betrugserkennung
Ein perfektes Beispiel dafür, warum Accuracy allein oft nicht ausreicht
Alternative Metriken zur Accuracy
Aufgrund der Limitationen der Accuracy haben sich weitere Bewertungsmetriken etabliert, die unterschiedliche Aspekte der Modellleistung erfassen:
| Metrik | Berechnung | Wann verwenden? | Fokus |
|---|---|---|---|
| Precision | TP / (TP + FP) | Wenn False Positives teuer sind | Genauigkeit der positiven Vorhersagen |
| Recall (Sensitivität) | TP / (TP + FN) | Wenn False Negatives gefährlich sind | Vollständigkeit der Erkennung |
| F1-Score | 2 × (Precision × Recall) / (Precision + Recall) | Bei unausgewogenen Datensätzen | Balance zwischen Precision und Recall |
| Specificity | TN / (TN + FP) | Fokus auf korrekte negative Klassifikation | Erkennung der negativen Klasse |
| AUC-ROC | Fläche unter ROC-Kurve | Gesamtbewertung über alle Schwellenwerte | Trennfähigkeit des Modells |
Precision vs. Recall: Der Trade-off
In vielen Anwendungsfällen müssen Sie zwischen Precision (Präzision) und Recall (Trefferquote) abwägen:
Precision-Fokus
Beispiel: Spam-Filter
Hier sind False Positives problematisch – wichtige E-Mails dürfen nicht als Spam markiert werden. Lieber lässt man einige Spam-Mails durch (niedrigerer Recall), als legitime E-Mails zu blockieren.
Recall-Fokus
Beispiel: Krebserkennung
Hier sind False Negatives gefährlich – kein Krebsfall darf übersehen werden. Lieber werden einige gesunde Fälle zur weiteren Untersuchung markiert (niedrigere Precision), als einen Krebsfall zu verpassen.
Best Practices für die Verwendung von Accuracy
- Analysieren Sie zuerst Ihre Datenverteilung: Prüfen Sie, ob Ihre Klassen ausgewogen sind. Bei einem Ungleichgewicht von mehr als 60:40 sollten Sie zusätzliche Metriken in Betracht ziehen.
- Verwenden Sie Accuracy nie isoliert: Kombinieren Sie Accuracy immer mit mindestens einer weiteren Metrik wie F1-Score, Precision oder Recall für ein vollständiges Bild.
- Berücksichtigen Sie die Kosten von Fehlern: Bewerten Sie, welche Fehlerart (False Positives oder False Negatives) in Ihrem Anwendungsfall schwerwiegender ist.
- Nutzen Sie Stratified Sampling: Bei der Aufteilung in Training- und Testdaten sollten Sie stratifiziertes Sampling verwenden, um die Klassenverteilung beizubehalten.
- Erstellen Sie eine vollständige Confusion Matrix: Visualisieren Sie alle vier Komponenten (TP, TN, FP, FN), um ein detailliertes Verständnis der Modellleistung zu erhalten.
- Testen Sie mit realistischen Daten: Stellen Sie sicher, dass Ihre Testdaten die reale Verteilung widerspiegeln, mit der das Modell in der Produktion konfrontiert wird.
- Dokumentieren Sie den Kontext: Eine Accuracy von 95% kann in einem Kontext hervorragend und in einem anderen unzureichend sein – dokumentieren Sie immer die Rahmenbedingungen.
Accuracy in verschiedenen KI-Bereichen
Computer Vision
In der Bildverarbeitung und Computer Vision ist Accuracy eine häufig verwendete Metrik, insbesondere bei Multi-Class-Klassifikationsproblemen wie der ImageNet-Challenge. Hier werden Modelle anhand ihrer Top-1 und Top-5 Accuracy bewertet:
Aktuelle Benchmarks (2024)
ImageNet Top-1 Accuracy: Moderne Transformer-basierte Modelle wie Vision Transformer (ViT) und Swin Transformer erreichen über 90% Accuracy bei der Klassifizierung von 1.000 Objektkategorien.
Top-5 Accuracy: Die besten Modelle erreichen mittlerweile über 98% Top-5 Accuracy, was bedeutet, dass die korrekte Klasse in 98% der Fälle unter den fünf wahrscheinlichsten Vorhersagen ist.
Natural Language Processing (NLP)
In der Sprachverarbeitung wird Accuracy häufig für Aufgaben wie Sentiment-Analyse, Textklassifikation und Named Entity Recognition verwendet. Die Herausforderung liegt hier in der Mehrdeutigkeit natürlicher Sprache.
Typische Accuracy-Werte in NLP-Aufgaben
Sentiment-Analyse
Moderne BERT-basierte Modelle erreichen auf Standard-Benchmarks wie SST-2 Accuracies zwischen 85% und 95%.
Spam-Erkennung
E-Mail-Spam-Filter erreichen durch jahrelange Optimierung sehr hohe Accuracy-Werte.
Spracherkennung
Moderne Sprachassistenten wie GPT-4 erreichen Wort-Accuracies von über 90% unter optimalen Bedingungen.
Medizinische KI
Im medizinischen Bereich ist die Interpretation von Accuracy besonders kritisch. Hier können falsche Vorhersagen direkte Auswirkungen auf Menschenleben haben.
Besondere Anforderungen in der Medizin
Medizinische KI-Systeme werden typischerweise nicht nur nach Accuracy bewertet, sondern müssen zusätzliche Kriterien erfüllen:
- Hoher Recall: Krankheitsfälle dürfen nicht übersehen werden
- Erklärbarkeit: Ärzte müssen die Entscheidungen des Modells nachvollziehen können
- Klinische Validierung: Modelle müssen in klinischen Studien ihre Leistung unter realen Bedingungen beweisen
- Regulatorische Zulassung: In der EU und USA sind spezifische Zulassungsverfahren für medizinische KI erforderlich
Verbesserung der Accuracy
Wenn Ihr Modell eine unzureichende Accuracy aufweist, gibt es verschiedene Strategien zur Verbesserung:
Datenqualität und -quantität
Mehr Trainingsdaten
Die Erhöhung der Datenmenge ist oft der effektivste Weg zur Verbesserung. Studien zeigen, dass die Modellleistung logarithmisch mit der Datenmenge wächst.
Data Augmentation
Durch künstliche Erweiterung des Datensatzes (z.B. Rotation, Skalierung bei Bildern) kann die Robustheit verbessert werden.
Datenbereinigung
Entfernen von fehlerhaften Labels, Duplikaten und Ausreißern kann die Trainingsqualität erheblich steigern.
Feature Engineering
Die Auswahl und Konstruktion relevanter Features kann die Trennfähigkeit des Modells verbessern.
Modelloptimierung
Hyperparameter-Tuning
Die systematische Optimierung von Hyperparametern wie Lernrate, Batch-Größe und Netzwerkarchitektur kann zu signifikanten Verbesserungen führen. Moderne Ansätze nutzen:
- Grid Search: Systematisches Durchsuchen eines vordefinierten Parameterraums
- Random Search: Zufälliges Sampling von Parameterkombinationen
- Bayesian Optimization: Intelligente Suche basierend auf vorherigen Ergebnissen
- AutoML: Automatisierte Modellselektion und Hyperparameter-Optimierung
Ensemble-Methoden
Die Kombination mehrerer Modelle kann die Gesamtaccuracy verbessern:
Bagging (Bootstrap Aggregating)
Mehrere Modelle werden auf verschiedenen Teilmengen der Daten trainiert. Random Forests sind ein prominentes Beispiel und erreichen typischerweise 2-5% höhere Accuracy als einzelne Decision Trees.
Boosting
Modelle werden sequenziell trainiert, wobei jedes nachfolgende Modell die Fehler der vorherigen korrigiert. XGBoost und LightGBM sind populäre Implementierungen, die in Kaggle-Wettbewerben häufig die höchste Accuracy erzielen.
Stacking
Verschiedene Modelltypen werden kombiniert, und ein Meta-Modell lernt, die Vorhersagen optimal zu gewichten. Dies kann die Accuracy um 1-3% gegenüber dem besten Einzelmodell steigern.
Transfer Learning
Besonders im Deep Learning hat sich Transfer Learning als effektive Methode etabliert, um mit begrenzten Daten hohe Accuracy zu erreichen:
Praktisches Beispiel: Medizinische Bildklassifikation
Ein auf ImageNet vortrainiertes ResNet-50-Modell wird für die Klassifikation von Röntgenbildern angepasst:
- Ohne Transfer Learning: 72% Accuracy nach Training auf 5.000 medizinischen Bildern
- Mit Transfer Learning: 89% Accuracy mit denselben 5.000 Bildern durch Nutzung der vortrainierten Features
- Verbesserung: +17 Prozentpunkte Accuracy-Gewinn
Accuracy in der Praxis: Industriestandards
In verschiedenen Industrien haben sich unterschiedliche Accuracy-Anforderungen etabliert:
| Branche/Anwendung | Minimale Accuracy | Ziel-Accuracy | Besonderheiten |
|---|---|---|---|
| Autonomes Fahren | 99% | 99,99% | Sicherheitskritisch, zusätzlich hoher Recall erforderlich |
| Medizinische Diagnostik | 95% | 98% | Muss mit Expertenmeinung kombiniert werden |
| Finanz-Betrugsdetection | 90% | 95% | Precision oft wichtiger als Accuracy |
| E-Commerce Empfehlungen | 70% | 85% | Weniger kritisch, Fokus auf Nutzererfahrung |
| Sprachassistenten | 85% | 95% | Kontext und Fehlertoleranz wichtig |
| Industrielle Qualitätskontrolle | 97% | 99,5% | Kosten-Nutzen-Abwägung zwischen Automatisierung und manueller Prüfung |
Häufige Fehler bei der Interpretation von Accuracy
Fehler 1: Accuracy als alleinige Metrik
✗ Das Problem
Viele Anfänger verlassen sich ausschließlich auf Accuracy, ohne die Confusion Matrix oder andere Metriken zu betrachten. Dies führt zu Fehlinterpretationen, besonders bei unausgeglichenen Datensätzen.
Fehler 2: Overfitting nicht erkennen
Typisches Szenario
Training Accuracy: 99%
Test Accuracy: 75%
Diese große Diskrepanz deutet auf Overfitting hin – das Modell hat die Trainingsdaten auswendig gelernt, kann aber nicht generalisieren. Regularisierungstechniken wie Dropout, L2-Regularisierung oder Early Stopping sind erforderlich.
Fehler 3: Falsche Datenaufteilung
Die Art und Weise, wie Daten in Training-, Validierungs- und Testsets aufgeteilt werden, hat erheblichen Einfluss auf die gemessene Accuracy:
- Zeitliche Abhängigkeiten beachten: Bei Zeitreihendaten niemals zufällig splitten – immer chronologisch
- Data Leakage vermeiden: Keine Informationen aus dem Testset dürfen ins Training fließen
- Kreuzvalidierung nutzen: K-Fold Cross-Validation gibt robustere Accuracy-Schätzungen als ein einzelner Split
- Stratifizierung verwenden: Klassenverteilung in allen Splits beibehalten
Fehler 4: Kontext ignorieren
Eine Accuracy von 80% kann in einem Kontext hervorragend und in einem anderen völlig unzureichend sein. Berücksichtigen Sie immer:
- Die Baseline-Performance (z.B. zufälliges Raten bei 2 Klassen = 50%)
- Die menschliche Leistung bei derselben Aufgabe
- Die Komplexität des Problems
- Die Kosten von Fehlklassifikationen
Zukunft der Accuracy-Messung
Mit der Weiterentwicklung von KI-Systemen entwickeln sich auch die Bewertungsmetriken weiter:
Kontextuelle Metriken
Moderne Ansätze gehen über simple Accuracy hinaus und berücksichtigen:
Emerging Trends 2024
Fairness-adjusted Accuracy: Bewertung der Modellleistung über verschiedene demografische Gruppen hinweg, um Bias zu erkennen und zu minimieren.
Robustness Metrics: Messung der Accuracy unter adversarialen Angriffen und Verteilungsverschiebungen.
Calibration Metrics: Bewertung, wie gut die Konfidenzwerte des Modells mit der tatsächlichen Accuracy übereinstimmen.
Human-AI Collaboration Metrics: Messung der Leistung bei gemeinsamer Entscheidungsfindung zwischen Mensch und KI.
AutoML und Meta-Learning
Automatisierte Machine-Learning-Systeme optimieren nicht nur für maximale Accuracy, sondern berücksichtigen multiple Ziele gleichzeitig:
- Modellgröße und Inferenzgeschwindigkeit
- Energieverbrauch und CO2-Fußabdruck
- Erklärbarkeit und Interpretierbarkeit
- Fairness über verschiedene Subgruppen
Zusammenfassung: Accuracy richtig einsetzen
Kernpunkte für den praktischen Einsatz
Accuracy ist eine wertvolle, aber nicht ausreichende Metrik für die Bewertung von KI-Modellen. Sie bietet einen schnellen Überblick über die Gesamtleistung und ist bei ausgewogenen Datensätzen besonders aussagekräftig. In der Praxis sollte Accuracy jedoch immer in Kombination mit anderen Metriken wie Precision, Recall und F1-Score verwendet werden.
Checkliste für den Einsatz von Accuracy
- ✓ Prüfen Sie die Klassenverteilung in Ihren Daten
- ✓ Erstellen Sie eine vollständige Confusion Matrix
- ✓ Berechnen Sie zusätzliche Metriken (Precision, Recall, F1)
- ✓ Berücksichtigen Sie die Kosten verschiedener Fehlerarten
- ✓ Validieren Sie mit realistischen, ungesehenen Daten
- ✓ Dokumentieren Sie den Kontext und die Anforderungen
- ✓ Vergleichen Sie mit Baseline und menschlicher Leistung
- ✓ Überwachen Sie die Accuracy kontinuierlich in der Produktion
Die Accuracy bleibt trotz ihrer Limitationen eine fundamentale Metrik im maschinellen Lernen. Ihr Wert liegt in der Einfachheit und Verständlichkeit – sie beantwortet die grundlegende Frage: „Wie oft liegt mein Modell richtig?“ Doch wie bei allen Werkzeugen kommt es auf den richtigen Einsatz an. Ein tiefes Verständnis der Accuracy, ihrer Stärken und Schwächen, ermöglicht es Ihnen, fundierte Entscheidungen über die Qualität und Einsatzbereitschaft Ihrer KI-Modelle zu treffen.
In einer Welt, in der KI-Systeme zunehmend kritische Entscheidungen treffen – von medizinischen Diagnosen bis zu autonomen Fahrzeugen – ist die korrekte Bewertung und Interpretation von Metriken wie Accuracy nicht nur eine technische Notwendigkeit, sondern eine ethische Verantwortung. Nur durch sorgfältige, kontextbewusste Evaluation können wir sicherstellen, dass KI-Systeme zuverlässig, fair und sicher funktionieren.
Was bedeutet Accuracy bei KI-Modellen?
Accuracy (Genauigkeit) ist eine Bewertungsmetrik im maschinellen Lernen, die den Prozentsatz der korrekten Vorhersagen eines KI-Modells misst. Sie wird berechnet als die Anzahl der richtigen Vorhersagen geteilt durch die Gesamtzahl aller Vorhersagen. Eine Accuracy von 90% bedeutet beispielsweise, dass das Modell bei 90 von 100 Vorhersagen richtig liegt.
Wann ist Accuracy eine gute Bewertungsmetrik?
Accuracy eignet sich am besten für Klassifikationsprobleme mit ausgewogenen Datensätzen, bei denen die verschiedenen Klassen ungefähr gleich häufig vorkommen. Bei stark unausgeglichenen Datensätzen – etwa wenn 99% der Fälle zu einer Klasse gehören – kann Accuracy irreführend sein und sollte durch zusätzliche Metriken wie Precision, Recall oder F1-Score ergänzt werden.
Was ist der Unterschied zwischen Accuracy und Precision?
Accuracy misst den Anteil aller korrekten Vorhersagen, während Precision (Präzision) nur die Genauigkeit der positiven Vorhersagen bewertet. Precision beantwortet die Frage: Von allen als positiv klassifizierten Fällen, wie viele sind tatsächlich positiv? Accuracy betrachtet dagegen sowohl richtig positive als auch richtig negative Vorhersagen und gibt einen Gesamtüberblick über die Modellleistung.
Wie kann man die Accuracy eines KI-Modells verbessern?
Die Accuracy lässt sich durch mehrere Strategien verbessern: Erhöhung der Trainingsdatenmenge, Verbesserung der Datenqualität durch Bereinigung und Feature Engineering, Hyperparameter-Tuning zur Optimierung der Modellkonfiguration, Verwendung von Ensemble-Methoden wie Random Forests oder Boosting, sowie Einsatz von Transfer Learning bei begrenzten Daten. Auch die Wahl der richtigen Modellarchitektur spielt eine entscheidende Rolle.
Welche Accuracy-Werte sind in der Praxis akzeptabel?
Akzeptable Accuracy-Werte hängen stark vom Anwendungsbereich ab. In sicherheitskritischen Bereichen wie autonomem Fahren oder medizinischer Diagnostik werden oft Werte über 95-99% gefordert. Bei E-Commerce-Empfehlungen können 70-85% ausreichend sein. Wichtig ist der Vergleich mit der Baseline-Performance und der menschlichen Leistung bei derselben Aufgabe, sowie die Berücksichtigung der Kosten von Fehlklassifikationen.
Letzte Bearbeitung am Samstag, 8. November 2025 – 6:27 Uhr von Alex, Experte bei SEO NW für künstliche Intelligenz.
KI Agentur & SEO Agentur für nachhaltige Suchmaschinenoptimierung
Als spezialisierte KI Agentur und SEO Agentur optimieren wir Ihre Website für maximale Sichtbarkeit im lokalen und überregionalen Ranking. Unsere KI-gestützte SEO Agentur arbeitet ausschließlich mit White Hat Strategien für nachhaltige Erfolge in der Suchmaschinenoptimierung (SEO). Durch intelligente KI-Analysen und professionelle Marketing-Optimierung bringen wir Sie zu einem besseren Ranking in Google, Bing und weiteren Suchmaschinen – für mehr Traffic, Kunden und Umsatz.
Unsere KI Agentur kombiniert modernste Technologie mit bewährten SEO-Methoden. Profitieren Sie von Local SEO und KI-optimierten Strategien für Ihr Unternehmen. In unserem Online-Marketing-Lexikon finden Sie umfassende Informationen zur Suchmaschinenoptimierung und aktuellen KI-Trends im SEO-Bereich.
Auch Interessant:
Maschinelle Übersetzung
GANs (Generative Adversarial Networks)
T5 (Text-to-Text Transfer Transformer)
Backpropagation
Transferlernen (Transfer Learning)
Feature Engineering: Die Kunst der Merkmalserstellung für ML-Modelle
Zero-Shot Learning
Online Learning
Variational Autoencoder (VAE)
Bias-Variance Tradeoff
LoRA (Low-Rank Adaptation)
DreamBooth
