Ein Team entwickelt ein Machine-Learning-Modell, um das Risiko von Herzerkrankungen vorherzusagen. Der Datensatz enthält Eingabemerkmale (Alter, Cholesterin, Blutdruck, Rauchen, Bewegung) und ein Label, das angibt, ob jeder Patient eine Herzerkrankung hat. Welcher ML-Ansatz ist geeignet?

Überwachtes Lernen ist der passende Ansatz, da der Datensatz sowohl Eingabemerkmale (Alter, Cholesterin, Blutdruck, Rauchen, Bewegung) als auch die zugehörigen Labels (Herzerkrankung ja/nein) enthält. Ein Modell kann aus diesen gelabelten Daten lernen, um zukünftige Vorhersagen zu treffen. Unüberwachtes Lernen wäre ungeeignet, da es keine Labels verwendet und stattdessen Muster oder Strukturen in ungelabelten Daten findet. Bestärkendes Lernen ist für Entscheidungsfindung in einer Umgebung konzipiert, nicht für Vorhersagen auf Basis gelabelter Daten. Halbüberwachtes Lernen wird verwendet, wenn nur ein kleiner Teil der Daten gelabelt ist, was hier nicht der Fall ist.