# Überwachtes ML: Klassifikation (Data Science & ML)

> Logistische Regression, KNN, SVM, Metriken (Accuracy, Precision, Recall, F1, ROC-AUC), Schwellenwerte

- 24 Interview-Fragen
- Mid-Level
- [Interview-Fragen: Data Science & ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen.md)

## 1. Was ist das Hauptziel eines überwachten Klassifikationsalgorithmus?

**Antwort**

Überwachte Klassifikation zielt darauf ab, eine Kategorie oder Klasse (diskrete Variable) aus Eingabe-Features vorherzusagen, indem aus gelabelten Daten gelernt wird. Im Gegensatz zur Regression, die kontinuierliche Werte vorhersagt, weist die Klassifikation jede Beobachtung einer vordefinierten Klasse zu (binär oder Multiklasse).

## 2. Welche mathematische Funktion verwendet die logistische Regression, um Vorhersagen in Wahrscheinlichkeiten umzuwandeln?

**Antwort**

Die Sigmoid-Funktion (oder logistische Funktion) transformiert jeden reellen Wert in eine Wahrscheinlichkeit zwischen 0 und 1. Sie ist definiert als sigma(z) = 1/(1+e^(-z)). Diese Funktion ermöglicht die Interpretation der Ausgabe als Wahrscheinlichkeit der Zugehörigkeit zur positiven Klasse.

## 3. Was repräsentieren die Koeffizienten in einem logistischen Regressionsmodell?

**Antwort**

Logistische Regressionskoeffizienten repräsentieren die Veränderung der Log-Odds für jede Einheitsänderung des entsprechenden Features. Ein positiver Koeffizient erhöht die Wahrscheinlichkeit der positiven Klasse, während ein negativer Koeffizient sie verringert. Die Exponentialfunktion des Koeffizienten ergibt das Odds Ratio.

## 21 weitere Fragen verfügbar

- Wie funktioniert der K-Nearest Neighbors (KNN) Algorithmus für die Klassifikation?
- Welche Auswirkungen hat die Wahl des Wertes k im KNN-Algorithmus?

Kostenlos registrieren: https://sharpskill.dev/de/login

## Weitere Data Science & ML-Interviewthemen

- [Python-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-basics.md): 25 Fragen, Junior
- [Python Objektorientierte Programmierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-oop.md): 20 Fragen, Junior
- [Python-Datenstrukturen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-data-structures.md): 20 Fragen, Junior
- [Git-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/git-fundamentals.md): 18 Fragen, Junior
- [SQL-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-basics.md): 20 Fragen, Junior
- [NumPy-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/numpy-fundamentals.md): 22 Fragen, Junior
- [Pandas-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-basics.md): 22 Fragen, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/de/technologies/data-science/interviewfragen/jupyter-colab.md): 16 Fragen, Junior
- [SQL Joins & fortgeschrittene Abfragen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-joins-advanced.md): 22 Fragen, Mid-Level
- [Fortgeschrittenes Pandas](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-advanced.md): 24 Fragen, Mid-Level
- [Visualisierung mit Matplotlib & Seaborn](https://sharpskill.dev/de/technologies/data-science/interviewfragen/matplotlib-seaborn.md): 20 Fragen, Mid-Level
- [Interaktive Visualisierungen mit Plotly](https://sharpskill.dev/de/technologies/data-science/interviewfragen/plotly-interactive.md): 18 Fragen, Mid-Level
- [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-descriptive.md): 20 Fragen, Mid-Level
- [Inferenzstatistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-inferential.md): 24 Fragen, Mid-Level
- [Web Scraping](https://sharpskill.dev/de/technologies/data-science/interviewfragen/web-scraping.md): 18 Fragen, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/de/technologies/data-science/interviewfragen/bigquery-cloud.md): 18 Fragen, Mid-Level
- [Feature Engineering](https://sharpskill.dev/de/technologies/data-science/interviewfragen/feature-engineering.md): 22 Fragen, Mid-Level
- [Überwachtes ML: Regression](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-regression.md): 24 Fragen, Mid-Level
- [Entscheidungsbäume & Ensembles](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-trees-ensembles.md): 24 Fragen, Mid-Level
- [Unüberwachtes ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-unsupervised.md): 22 Fragen, Mid-Level
- [ML-Pipelines & Validierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-pipelines-validation.md): 22 Fragen, Mid-Level
- [Zeitreihen & Prognosen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/time-series-forecasting.md): 22 Fragen, Mid-Level
- [Grundlagen des Deep Learning](https://sharpskill.dev/de/technologies/data-science/interviewfragen/deep-learning-fundamentals.md): 24 Fragen, Senior
- [TensorFlow & Keras](https://sharpskill.dev/de/technologies/data-science/interviewfragen/tensorflow-keras.md): 22 Fragen, Senior
- [CNN und Bildklassifizierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/cnn-image-classification.md): 24 Fragen, Senior
- [RNN & Sequenzen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/rnn-sequences.md): 22 Fragen, Senior
- [Transformers & Attention](https://sharpskill.dev/de/technologies/data-science/interviewfragen/transformers-attention.md): 24 Fragen, Senior
- [NLP & Hugging Face](https://sharpskill.dev/de/technologies/data-science/interviewfragen/nlp-huggingface.md): 24 Fragen, Senior
- [GenAI & LangChain](https://sharpskill.dev/de/technologies/data-science/interviewfragen/genai-langchain.md): 24 Fragen, Senior
- [MLOps und Deployment](https://sharpskill.dev/de/technologies/data-science/interviewfragen/mlops-deployment.md): 24 Fragen, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-classification