Typische Fehler und Missverständnisse

Die häufigsten Denkfallen des EKI-Stoffs, nach Kapiteln geordnet - jeweils als Gegenüberstellung von falscher Annahme und korrekter Fassung mit kurzer Begründung.

EKI02 - Maschinelles Lernen: Klassifikation

Fehler: Beim Aufbau eines Entscheidungsbaums wählt man den Split mit dem kleinsten Entropieverlust. Richtig: Man wählt an jedem Knoten das Feature/Wert-Paar mit dem größtmöglichen Entropieverlust (Information Gain). Im Worked Example gewinnt f4 < 809.1 mit 0,334 gegen die kleineren Verluste der anderen Splits. Ein großer Verlust bedeutet, dass die Teilmengen möglichst rein (niedrige Entropie) werden.

Fehler: Entropie ist minimal, wenn die Klassen 50/50 gemischt sind. Richtig: Genau umgekehrt. $H$ ist maximal bei ausgeglichener Verteilung (50/50) und 0, wenn alle Elemente derselben Klasse angehören. Eine reine Menge trägt keine Unsicherheit mehr.

Fehler: Im Entscheidungsbaum stehen die Klassen in den inneren Knoten. Richtig: Die Klassen sind die Blätter, die Entscheidungen stehen in den inneren Knoten (z.B. "männlich?") und die Werte an den Kanten (Ja/Nein). Verwechslung der drei Baumbestandteile ist ein klassischer Punktverlust.

Fehler: PassengerId ist ein Feature für die Titanic-Klassifikation. Richtig: PassengerId ist nur eine eindeutige ID und kein Feature. Das Label ist Survived (0/1), die Features sind Passagierinfos wie Pclass, Sex, Age. Features (X, Matrix) und Label (y, Vektor) sauber trennen.

Fehler: Der Testdatensatz kann anders vorverarbeitet werden als die Trainingsdaten. Richtig: Der Testdatensatz muss genau so vorverarbeitet werden wie der Trainingsdatensatz (gleiche Spaltenauswahl, gleiches Auffüllen fehlender Werte). Sonst passen die Features nicht zum trainierten Modell.

EKI03 - Maschinelles Lernen: Regression / Validierung

Fehler: Klassifikation und Regression unterscheiden sich nur im Verfahren. Richtig: Der Unterschied liegt in der Art der Ausgabe: Klassifikation sagt eine diskrete Kategorie voraus (Spam/kein Spam), Regression einen kontinuierlichen numerischen Wert (Umsatz, Aktienkurs).

Fehler: Ein Modell mit 0,91 Treffergenauigkeit ist gut. Richtig: Bei unausgewogenen (imbalanced) Datensätzen ist Accuracy irreführend. Im Tumor-Beispiel (TP=1, FP=1, FN=8, TN=90) sind es 0,91 Accuracy, aber 8 von 9 Kranken werden übersehen. Dann verwendet man den F-Score (hier nur 0,181), der die schlechte Qualität korrekt widerspiegelt.

Fehler: Precision und Recall messen dasselbe. Richtig: Precision $= \frac{TP}{TP+FP}$ = Anteil der als krank Klassifizierten, die wirklich krank sind (0,5). Recall $= \frac{TP}{TP+FN}$ = Anteil der tatsächlich Kranken, die erkannt werden (0,111). Precision fragt "wie verlässlich ist ein positives Urteil?", Recall "wie viele Positive finde ich?".

Fehler: MAE, MSE und RMSE sind austauschbar. Richtig: MAE mittelt die Beträge der Abweichungen. MSE mittelt die quadrierten Abweichungen und bestraft große Fehler stärker. RMSE ist die Wurzel des MSE und hat wieder die Einheit der Zielgröße. MSE ist nicht in der Einheit der Zielgröße und daher schwerer zu interpretieren.

Fehler: In der Konfusionsmatrix sind False Positive und False Negative dasselbe wie Type I und Type II vertauscht egal. Richtig: FP = False Positive = Type I Error (fälschlich als krank klassifiziert, ist gesund). FN = False Negative = Type II Error (fälschlich als gesund klassifiziert, ist krank). Die Zuordnung FP=Type I, FN=Type II ist fest.

Fehler: Ein sehr hohes $R^2$ (z.B. 0,99) beweist ein gutes Modell. Richtig: Eine gute Kennzahl allein reicht nicht. Das Beispiel "Overfitting the S&P 500" erreicht $R^2 = 0{,}99$ mit unsinnigen Variablen (Butterproduktion, Schafpopulation). Das ist eine Scheinkorrelation (spurious correlation) / Overfitting - die Regression muss inhaltlich Sinn ergeben.

Fehler: Bei cross_val_score mit scoring='neg_root_mean_squared_error' ist ein größerer (positiverer) Wert immer besser, ohne Nachdenken. Richtig: scikit-learn maximiert Scores, deshalb der negative RMSE. Er ist umso besser, je näher er an 0 liegt. Default ist scoring='accuracy' und k=5.

EKI04 - Wissensrepräsentation

Fehler: In einem RDF-Tripel muss das Objekt immer eine Resource sein. Richtig: Ein Tripel ist Subjekt - Prädikat - Objekt. Subjekt und Prädikat sind Resourcen, das Objekt kann eine Resource ODER ein Wert (string, int, float, date, ...) sein. :Movie_453 :title "A Beautiful Mind" . hat ein String-Literal als Objekt.

Fehler: Das a in Turtle ist ein Attributname oder ein Tippfehler. Richtig: a ist die Abkürzung für rdf:type und drückt die Instanz-Beziehung ("ist ein") aus. Der Punkt . beendet ein Tripel, das Semikolon ; verkettet Tripel mit demselben Subjekt, das Komma , verkettet mehrere Objekte für dasselbe Subjekt-Prädikat-Paar.

Fehler: Einen Join in SPARQL macht man mit einem eigenen JOIN-Schlüsselwort. Richtig: Ein Join entsteht durch die mehrfache Nutzung derselben Variable. :genres ?g und ?g :name ?n erzwingen für ?g denselben Wert und verbinden so Film- und Genre-Tripel. Ein JOIN-Keyword gibt es nicht.

Fehler: DISTINCT sortiert das Ergebnis. Richtig: DISTINCT entfernt Duplikate. Ohne DISTINCT liefert die Genre-Query 7511 Zeilen (Drama mehrfach), mit DISTINCT nur 20 (die eindeutigen Genre-Namen). Sortierung macht ORDER BY.

Fehler: Wissensrepräsentation gehört zur nicht-symbolischen KI (Machine Learning). Richtig: Wissensrepräsentation ist symbolische / wissensbasierte KI im Feld "Knowing" der KI-Landkarte, verwandt mit Knowledge graphs, Semantic networks, Ontologies und Logic programming. ML ist das nicht-symbolische Gegenstück.

EKI05 - Complex Event Processing

Fehler: Bei CEP werden gespeicherte Daten wie in einer Datenbank abgefragt. Richtig: Der Gegensatz ist gerade umgekehrt: Im DBMS liegen persistente Daten und die Query läuft einmalig (volatil). Bei CEP ist die Regel persistent und läuft dauerhaft, während die Daten als fließender Ereignisstrom vorbeilaufen.

Fehler: Ereignis, Ereignisobjekt und Ereignistyp sind Synonyme. Richtig: Ereignis = etwas Besonderes, das passiert ist. Ereignisobjekt = der Datensatz, der es repräsentiert. Ereignistyp = das Schema (Attribute + Datentypen). Verhältnis wie in der OOP: Ereignistyp = Klasse, Ereignisobjekt = Instanz.

Fehler: Der 7-Tage-Kritikalitäts-Score im COVID-Beispiel nimmt das Maximum der Tageswerte. Richtig: Die Beispiel-Definition verwendet das Minimum über die Kritikalitätswerte der letzten 7 Tage. Eine Stufe wird nur erreicht, wenn die Inzidenz an allen 7 Tagen mindestens diese Stufe hielt (vorsichtige, glättende Bewertung).

EKI06 - Computer Vision

Fehler: Backpropagation berechnet die Korrekturwerte von der Eingabe- zur Ausgabeschicht. Richtig: Zuerst wird vorwärts propagiert, dann der Fehler in der letzten Schicht bestimmt und die Korrekturwerte ($\Delta$) rückwärts von der Ausgabe- zur Eingabeschicht berechnet. Daher der Name "back-propagation".

Fehler: Eine Convolution vergrößert das Bild. Richtig: Die Faltung mit einem kleineren Kernel verkleinert die Bildgröße, ohne die räumlichen Beziehungen der Pixel zu verlieren. Im Beispiel wird aus 5x5 mit 3x3-Filter eine 3x3-Merkmalskarte ($O = N - F + 1$).

Fehler: Pooling kann nur das Maximum bilden. Richtig: Pooling kann Maximum, Durchschnitt oder Summe eines Pixelbereichs bilden. Max-Pooling (z.B. 2x2) ist nur das gezeigte Beispiel; Ziel ist stets die Reduktion von Auflösung/Komplexität.

Fehler: Die Anzahl der Ausgabeneuronen im Fully Connected Layer ist frei wählbar. Richtig: Bei der Klassifikation entspricht die Anzahl der Ausgabeneuronen der Anzahl der Klassen. Bei MNIST sind es 10 (Dense(10, activation='softmax')).

Fehler: Die Pixelwerte kann man ohne Vorverarbeitung direkt ins CNN geben. Richtig: Die Pixel werden durch 255 auf [0,1] normalisiert und der Vektor in die räumliche Form (28, 28, 1) reshaped; die Labels werden One-Hot-kodiert (10-stelliger Vektor mit einer 1). Testdaten identisch vorverarbeiten.

EKI07 - Natural Language Processing

Fehler: tf und idf wirken in dieselbe Richtung - häufige Wörter bekommen mehr Gewicht. Richtig: tf (term frequency) steigt mit der Häufigkeit im betrachteten Text, aber idf (inverse document frequency) senkt das Gewicht von Wörtern, die in vielen Dokumenten vorkommen. "the" mit $df = N$ hat $\text{idf} = \log(N/N) = 0$; seltene, aussagekräftige Wörter werden aufgewertet.

Fehler: Das Bag-of-Words-Modell bewahrt die Reihenfolge der Wörter. Richtig: BoW repräsentiert Text als Multi-Set von Wörtern mit Häufigkeiten und verwirft Grammatik und Reihenfolge. "John likes movies" und "movies likes John" ergeben denselben Vektor. Das n-Gramm-Modell fängt einen Teil der Reihenfolge wieder ein.

Fehler: Auf neue Dokumente wendet man fit_transform an. Richtig: fit/fit_transform gehört zu den Trainingsdaten (baut das Vokabular). Auf neue oder Testdaten wird nur transform angewendet, damit dasselbe Vokabular benutzt wird.

Fehler: Textklassifikation und Question Answering sind dieselbe NLP-Aufgabe. Richtig: Textklassifikation ordnet einem Text eine Kategorie zu (Sprache, Thema, Sentiment). Question Answering beantwortet eine natürlichsprachige Frage mit einem Antworttext. Es sind zwei der sechs NLP-Bereiche.

EKI08 - Ethische Aspekte der KI

Fehler: Bias im maschinellen Lernen entsteht durch böse Absicht der Entwickler. Richtig: Bias entsteht durch verzerrte Trainingsdaten und Modellannahmen - ML projiziert Vorurteile der Vergangenheit in die Zukunft (ProPublica/COMPAS-Beispiel Prater vs. Borden), nicht durch bewusste Manipulation.

Fehler: Der KI-Hype meint die tatsächliche Leistungsfähigkeit von KI. Richtig: Hype ist als Hyperbel (rhetorische Übertreibung) definiert. Historische Fehlprognosen (Minsky 1967/1970, Kurzweil 2005) sind nicht eingetreten. Dem Hype steht die nüchterne Realität allgegenwärtiger KI (Alexa, Gesichtserkennung, Waymo) gegenüber.

EKI09 - Unsupervised Learning

Fehler: Unsupervised Learning braucht wie Supervised Learning gelabelte Daten. Richtig: Unsupervised Learning arbeitet ohne Labels und sucht Struktur direkt in den Daten. Ziele sind Ausreißererkennung, Clustering, Dimensionsreduktion und Datengenerierung - es gibt keine "richtige Antwort", auf die hin optimiert wird.

Fehler: k-Means kann man ohne Skalierung direkt auf Rohdaten anwenden. Richtig: k-Means nutzt den euklidischen Abstand; Features mit großen Wertebereichen dominieren. Beispiel: Einkommen 50000 vs. 50031 wirkt näher als Alter 30 vs. 60. Deshalb vorher Min-Max-Normalisierung aller Features.

Fehler: Die "Normalisierung" ist bei PCA und Clustering dieselbe Operation. Richtig: Bei der PCA meint Normalisierung das Zentrieren (Mittelwert null). Beim Clustering meint sie die Min-Max-Skalierung auf $[0,1]$ ($x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}$). Gleicher Name, zwei verschiedene Operationen.

Fehler: k-Means++ ist ein völlig anderer Algorithmus als k-Means. Richtig: k-Means++ verbessert nur die Auswahl der initialen Clusterzentren (Punkte weit von bereits gewählten Zentren mit Wahrscheinlichkeit $\propto D^2(X)$). Zuordnung und Zentroid-Update laufen danach wie beim normalen k-Means.

Fehler: Der maximale Abstand zweier Punkte im Einheitshyperwürfel wächst linear mit der Dimension ($d_n = n$). Richtig: Bei Volumen 1 wächst die Raumdiagonale mit $d_n = \sqrt{n}$ ($d_2 = \sqrt{2}$, $d_3 = \sqrt{3}$). Zusammen mit dem exponentiellen Volumenwachstum ($V([0,2]^n) = 2^n$) ergibt das den Curse of Dimensionality (Bellman).