In einer Trainingsdatei stehen 16 Routineanfragen und vier Sonderanfragen. Ein Team möchte verhindern, dass die selteneren Sonderfälle bei der Modellanpassung zu wenig zählen, und aktiviert die Einstellung „balanced“. Danach ist von „ausgeglichenen Klassen“ die Rede. Sind nun gleich viele Beispiele beider Arten vorhanden?
Nein: Klassengewichte bei KI verändern zunächst die rechnerische Gewichtung, nicht die Anzahl beobachteter Fälle. Unsere eigene Lernübung erklärt den Unterschied mit 20 erfundenen Anfragen. Sie richtet sich an Berufstätige, die Einstellungen eines KI-Projekts nachvollziehen möchten. Wir trainieren kein Modell und bewerten kein reales GrandEdu-System.
Die Ausgangslage bleibt ausdrücklich ungleich
Für den Lernfall definieren wir zwei sich ausschließende Zielklassen. Eine Routineanfrage gehört zur Klasse R, eine Sonderanfrage zur Klasse S. Jede der 20 Anfragen besitzt genau eine bereits festgelegte Zuordnung. Ob die Kennzeichnung in einer realen Datei zuverlässig ist, wäre gesondert zu prüfen.
R enthält 16 Beobachtungen, S enthält vier. Das entspricht 80 und 20 Prozent unseres fiktiven Trainingsbestands. Diese Anteile beschreiben nur die Datei. Wir haben keine Grundlage, sie als tatsächliche Häufigkeiten im späteren Arbeitsalltag oder als wirtschaftliche Wichtigkeit der beiden Anfragearten auszugeben.
Die Übung beginnt daher mit zwei getrennten Notizen: „Welche Fälle wurden beobachtet?“ und „Wie sollen ihre Beiträge gewichtet werden?“ Wer beide Fragen vermischt, kann aus einer Softwareeinstellung versehentlich eine Behauptung über die Daten machen.
Die balanced-Regel an den 20 Fällen ausrechnen
Die offizielle Dokumentation zu compute_class_weight nennt für die Einstellung „balanced“ ohne zusätzliche Einzelgewichte die Regel: Gesamtzahl der Fälle / (Anzahl der Klassen × Fallzahl der jeweiligen Klasse). Andere Gewichtungen sind möglich; wir betrachten ausschließlich diese eine Regel.
In unserem Bestand gibt es 20 Fälle und zwei Klassen. Für jede einzelne Routineanfrage ergibt sich deshalb 20 / (2 × 16) = 0,625. Für jede einzelne Sonderanfrage lautet die Rechnung 20 / (2 × 4) = 2,5.
Eine S-Beobachtung erhält somit das Vierfache des Gewichts einer R-Beobachtung: 2,5 / 0,625 = 4. Das ist ein Verhältnis innerhalb unserer Trainingsrechnung. Der Sonderfall wird weder viermal beobachtet noch automatisch viermal so teuer, wichtig oder dringlich.
Was sich bei den Gewichtssummen ausgleicht
Multiplizieren wir Gewicht und ursprüngliche Fallzahl, erhalten wir für R 16 × 0,625 = 10. Für S ergibt sich 4 × 2,5 = 10. Beide Klassen tragen also dieselbe Summe von Gewichten, insgesamt 20.
Die zehn ist hier keine neue Anzahl von Anfragen. Vier Sonderfälle sind nicht zu zehn unterschiedlichen Sonderfällen geworden. Die Rechnung hat auch keine zusätzlichen Formulierungen, seltenen Sondertypen oder bislang unbeobachteten Situationen in die Datei gebracht.
Gleiche Gewichtssummen bedeuten nicht gleichen Verlust
Beim Training bewertet ein Verfahren seine Vorhersagen mit einer Verlustfunktion. Für unsere nächste Handrechnung nehmen wir zwei vorbereitete, identische ungewichtete Verlustbeiträge von jeweils 0,8 an: einen für eine R-Anfrage und einen für eine S-Anfrage. Die Beiträge sind frei gewählte Lernwerte, keine aus einem trainierten Modell ermittelten Ergebnisse.
Nach Multiplikation mit dem Klassengewicht werden daraus 0,8 × 0,625 = 0,5 für den Routinefall und 0,8 × 2,5 = 2 für den Sonderfall. Derselbe ungewichtete Beitrag zählt beim Sonderfall viermal so stark. Vier solche Routinebeiträge würden zusammen ebenfalls zwei ergeben.
Die Bedingung „derselbe ungewichtete Beitrag“ ist wesentlich. Hätten die beiden Fälle unterschiedliche Ausgangsverluste, müsste jede Zahl mit ihrem Gewicht multipliziert werden. Gleiche Gewichtssummen je Klasse garantieren daher nicht, dass die tatsächlichen summierten Verlustbeiträge beider Klassen gleich sind.
Die Dokumentation von LogisticRegression führt Klassengewichte als konkrete Modelleinstellung auf. Sie weist außerdem darauf hin, dass zusätzliche Einzelgewichte mit den Klassengewichten multipliziert werden. Wer beides verwendet, muss also die kombinierte Gewichtung betrachten. Unser Beispiel enthält bewusst keine zusätzlichen Einzelgewichte.
Die vier Sonderfälle werden nicht vielfältiger
Stellen Sie sich vor, alle vier Sonderanfragen unseres Bestands betreffen denselben sehr speziellen Vorgang. Eine stärkere Gewichtung schafft dann noch keine Beispiele für andere Sondervorgänge. Für die fachliche Besprechung ist das eine andere Lücke als ein kleiner rechnerischer Einfluss.
Eine hilfreiche Rückfrage lautet deshalb: „Welche verschiedenen Situationen decken die vier Fälle tatsächlich ab?“ Diese Frage lässt sich nicht mit der Zahl 2,5 beantworten. Dafür müssen die Fälle und ihre Definitionen betrachtet werden. Bei fehlerhaften Kennzeichnungen wäre zunächst die Datenqualität zu klären.
Auch „balanced“ ist in unserer Übung kein Nachweis von Fairness. Der Begriff bezeichnet eine festgelegte Berechnungsoption. Ob ein konkretes System Menschen oder Fallgruppen angemessen behandelt, müsste anhand geeigneter Ziele, Daten und Prüfungen untersucht werden. Zwei gleiche Gewichtssummen beantworten das nicht.
Trainingseinstellung und spätere Prüfung getrennt halten
Die scikit-learn-Hinweise zu Datenleckage betonen die Trennung von Training und unabhängiger Bewertung. Unsere Gewichte werden ausschließlich aus dem beschriebenen Trainingsbestand berechnet. Ein späterer Test soll die Leistung prüfen, nicht rückwirkend die Trainingsentscheidung bestimmen.
Da wir weder Vorhersagen noch Testdaten haben, können wir keine Trefferquote, Erkennungsrate oder Fehlalarmquote berichten. Aus der Gewichtungsrechnung folgt insbesondere nicht, dass künftig alle Sonderfälle erkannt werden. Ebenso wenig lässt sich ein günstigeres wirtschaftliches Ergebnis zusagen.
Für einen echten Projektvergleich wäre vorab zu klären, welche Fehlerarten relevant sind und wie die Varianten unter denselben passenden Bewertungsbedingungen verglichen werden. Eine Änderung der Trainingsgewichte ist ein Anlass für eine neue Prüfung, nicht deren Ersatz.
Eine kurze Übergabenotiz statt „jetzt ausgeglichen“
Für unseren Lernfall könnte die Dokumentation so lauten: „Trainingsbestand: 20 Anfragen, davon 16 R und vier S. balanced-Gewichte ohne zusätzliche Einzelgewichte: R = 0,625, S = 2,5. Die ursprünglichen Fallzahlen und Kennzeichnungen bleiben unverändert. Gleiche Gewichtssummen sind keine Leistungsbewertung.“
Lassen Sie eine zweite Person aus dieser Notiz die Gewichtssummen nachrechnen. Anschließend soll sie erklären, warum die seltene Klasse trotzdem nur vier Beobachtungen enthält. Kann das Team beide Aussagen gleichzeitig festhalten, ist der zentrale Unterschied nachvollzogen – ganz ohne zusätzliche Software.
FAQ zu Klassengewichten bei KI
Ist das Gewicht 2,5 eine Wahrscheinlichkeit?
Nein. Es ist in unserem Beispiel ein Multiplikationsfaktor für den Beitrag eines S-Falls. Es bedeutet weder 250 Prozent Erkennungswahrscheinlichkeit noch eine garantierte Verbesserung.
Muss die seltene Klasse fachlich wichtiger sein?
Nein. Die verwendete Regel richtet sich nach den Häufigkeiten im Trainingsbestand. Betriebliche Folgen sind damit nicht automatisch berücksichtigt.
Sind nach der Gewichtung gleich viele Fälle vorhanden?
Nein. Die Datei enthält weiterhin 16 Routine- und vier Sonderanfragen. Gleich sind nur die hier berechneten Gewichtssummen.
Fazit: Gewicht und Fallzahl sind verschiedene Angaben
Klassengewichte bei KI machen in unserer Übung seltene Fälle rechnerisch einflussreicher. Sie ergänzen keine Beobachtungen und belegen keine bessere Leistung. Dokumentieren Sie deshalb Klassenhäufigkeiten, Gewichte, zusätzliche Gewichtungen und spätere Prüfung jeweils ausdrücklich.
Sie möchten solche Datengrundlagen sicherer einordnen? Informieren Sie sich über die KI-Grundlagenkompetenzen für die digitale Arbeitswelt oder besprechen Sie Ihre Lernziele über den Kontakt zu GrandEdu Media. Dieser eigenständige Beitrag ist keine Zusage bestimmter Softwareübungen, einer Förderung oder eines Lernergebnisses.
Quellen- und Angebotsprüfung: 21. Oktober 2026. Alle Anfragen und Verlustbeiträge sind fiktive Lernwerte.