Classification: Definition, Verfahren, Abgrenzungen

Classification ist eine Aufgabe des maschinellen Lernens, bei der ein Modell neue Datensätze in eine von mehreren vorher festgelegten Klassen einsortiert. Das sind feste Kategorien wie ja/nein, Spam/kein Spam oder Rechnung/Technik/Vertrag. Das Modell lernt diese Zuordnung vorher an Beispielen, bei denen die richtige Klasse bereits bekannt ist (gelabelte Trainingsdaten).

Was ist Classification?

Classification ist der klassische Fall des überwachten Lernens (Supervised Learning): Ein Modell bekommt Beispieldaten, bei denen die richtige Antwort bereits dransteht, und lernt daraus, die gleiche Antwort für neue Fälle vorherzusagen. Die Beispieldaten bestehen aus Merkmalen (Features, also den beschreibenden Eigenschaften eines Falls, bei einem Ticket etwa Betreff, Text, Absender) und der zugehörigen Klasse (Label, also die richtige Kategorie). Das Modell lernt daraus eine Zuordnungsregel und wendet sie auf neue, unbekannte Fälle an. Die Ausgabe ist entweder direkt die Klasse oder eine Wahrscheinlichkeit pro Klasse; ein Schwellenwert (z. B. „ab 60 Prozent Konfidenz gilt Klasse A") wandelt die Wahrscheinlichkeit in eine Entscheidung um. Der Begriff geht auf frühe Arbeiten der Statistik und Mustererkennung zurück, unter anderem auf Fishers Diskriminanzanalyse (1936, ein statistisches Trennverfahren) und das Perceptron (1958, ein früher Vorläufer neuronaler Netze), und ist bis heute der am breitesten eingesetzte Aufgabentyp im maschinellen Lernen.

Nach der Struktur der Zielvariablen werden drei Varianten unterschieden. Bei der binären Classification gibt es zwei sich ausschließende Klassen (Kauf ja/nein, Spam/kein Spam, Ausfall/kein Ausfall). Bei der Multi-Class-Classification existieren mehr als zwei Klassen, die sich weiterhin gegenseitig ausschließen (Tierart: Hund, Katze, Vogel; Ticket-Kategorie: Rechnung, Technik, Vertrag). Bei der Multi-Label-Classification kann eine Instanz mehreren Klassen gleichzeitig angehören (ein Artikel mit den Tags „Data", „AI" und „Governance").

Als Modellfamilien kommen Logistic Regression, Entscheidungsbäume, Random Forest, Gradient Boosting (XGBoost, LightGBM), Support Vector Machines, k-Nearest-Neighbors, Naive Bayes und neuronale Netze zum Einsatz. Für strukturierte Tabellen dominieren Baumverfahren; für Text, Bild und Audio dominieren neuronale Architekturen (Transformer, CNN). Die Evaluation nutzt Kennzahlen wie Accuracy, Precision, Recall, F1-Score sowie ROC-AUC und PR-AUC; die Verwirrungsmatrix dient als Diagnose-Werkzeug für die Fehlerverteilung. Bei stark unbalancierten Klassen (etwa Betrugserkennung mit unter 1 Prozent Positivrate) sind Accuracy und ROC-AUC irreführend, weshalb Precision, Recall und PR-AUC vorgezogen werden.

Für den produktiven Einsatz gehört zur Classification mehr als das Modell selbst. Feature-Engineering und Behandlung unbalancierter Klassen (Resampling, Klassengewichte, kostenempfindliche Verlustfunktionen), Kalibrierung der Wahrscheinlichkeiten (Platt-Scaling, Isotonic Regression), Schwellenwert-Auswahl entlang der Business-Kosten von False Positives und False Negatives sowie Monitoring auf Datendrift bestimmen die Modellgüte im Betrieb ebenso stark wie die Wahl des Algorithmus.

Abgrenzung: Regression, Clustering, Anomaly Detection

Classification wird in der Praxis mit benachbarten ML-Aufgaben verwechselt. Die Abgrenzung verläuft entlang zweier Achsen: Art der Zielvariable und Verfügbarkeit von Labels.

Begriff	Achse	Kernunterschied
Regression	Zielvariable	Sagt eine stetige Zahl voraus (Umsatz, Preis, Restnutzungsdauer) statt einer diskreten Klasse. Gleiche Trainingslogik (Supervised), andere Zielgröße und andere Metriken (RMSE, MAE, R² statt Precision/Recall).
Clustering	Labels	Unüberwacht: Gruppiert Datenpunkte nach Ähnlichkeit, ohne vorgegebene Klassen. Classification lernt eine Zuordnung zu bekannten Klassen; Clustering findet Struktur, ohne dass Klassen vorher benannt sind.
Anomaly Detection	Klassen-Definition	Definiert typischerweise nur „normal" und markiert Abweichungen, häufig ohne Labels oder mit stark unbalancierten Labels. Classification benötigt gelabelte Beispiele für jede Zielklasse.
Ranking	Ausgabeform	Ordnet Elemente nach Relevanz statt einer Klasse zuzuweisen. Kann als Sonderfall der Classification mit paarweisen Vergleichen modelliert werden, hat aber eigene Metriken (NDCG, MAP).
Diskriminanzanalyse	Herkunft	Klassisch-statistisches Verfahren mit engen Verteilungsannahmen (Normalverteilung, Kovarianzstruktur). Als Spezialfall der Classification zu sehen, die in der ML-Praxis flexibler und annahmefreier arbeitet.

Am häufigsten überschneiden sich Classification und Anomaly Detection in Fraud- oder Fehlererkennungs-Szenarien. Sind bekannte Betrugsmuster gelabelt vorhanden, ist eine überwachte Classification zielführender; für unbekannte oder seltene Muster liefert Anomaly Detection Kandidaten, die anschließend manuell bewertet und als Labels in ein Classification-Modell zurückgespielt werden.

Beispiel: Ticket-Klassifikation im Kundenservice

Ein Unternehmen erhält täglich mehrere tausend Kundenanfragen über E-Mail, Chat und Web-Formular. Bislang werden die Tickets manuell einer von acht Kategorien zugewiesen (Rechnung, Vertragsänderung, Technik, Retoure, Beschwerde, Vertrieb, Sonstiges, Spam). Ziel ist eine automatische Vorklassifikation, damit Tickets direkt an das zuständige Team routen.

Als Datengrundlage stehen 250.000 historisch bearbeitete Tickets mit finaler Kategorie zur Verfügung. Ein Multi-Class-Classification-Modell wird auf 200.000 Tickets trainiert, 25.000 dienen als Validierungs-Set, weitere 25.000 als Testmenge. Modellfamilie: ein feinabgestimmter Transformer-Encoder für die Text-Klassifikation. Als Metriken werden Macro-F1 (gleichgewichtet über Klassen) und die Verwirrungsmatrix betrachtet; die seltene Klasse „Beschwerde" wird zusätzlich einzeln über Recall überwacht, weil eine übersehene Beschwerde einen höheren Business-Schaden verursacht als eine falsch positive.

Im Betrieb schreibt eine Streaming-Pipeline eingehende Tickets in das Lakehouse. Ein Model-Serving-Endpunkt liefert Klassenwahrscheinlichkeiten; Tickets mit einer Konfidenz unter 60 Prozent werden nicht automatisch geroutet, sondern in eine Review-Queue gestellt. Diese Grenzfälle werden nachgelabelt und fließen in den nächsten Trainingszyklus zurück. Vergleichbare Architekturen finden sich in der Dokument-Klassifikation, im Kredit-Scoring, in der medizinischen Bildbewertung, in der Sentiment-Analyse und in der Betrugserkennung.