Ein KI-Ergebnis steigt von 80 auf rund 94 Prozent, nachdem eine weitere Datenspalte ergänzt wurde. Das klingt nach zusätzlicher Sicherheit. Doch was, wenn diese Spalte nur eine exakte Kopie eines vorhandenen Merkmals enthält? Dann hat das System keine neue Beobachtung erhalten, sondern dieselbe Information zweimal verarbeitet.
Naive Bayes bei KI bietet einen verständlichen Zugang zu diesem Problem. Eine eigene Rechenübung zeigt, welche Annahme hinter dem Verfahren steckt und warum zwei Spalten nicht automatisch zwei voneinander unabhängige Hinweise sind. Dafür müssen Sie weder programmieren noch echte Kundeninformationen verwenden.
Was an Naive Bayes „naiv“ ist
Der offizielle scikit-learn-Leitfaden zu Naive Bayes beschreibt überwachte Lernverfahren, die den Satz von Bayes mit einer vereinfachenden Annahme verbinden: Die Merkmale werden bei gegebener Klasse als bedingt unabhängig behandelt. Für die Klassenbewertung werden ihre klassenbezogenen Wahrscheinlichkeiten miteinander multipliziert.
Wichtig ist die Einschränkung „bei gegebener Klasse“. Es geht nicht bloß darum, ob zwei Spalten in einer gesamten Tabelle ähnlich aussehen. Unsere Übung nutzt absichtlich den eindeutigen Extremfall: Eine Spalte wird unverändert kopiert. Die Kopie kann auch innerhalb jeder Klasse keine neue Information liefern.
Die fiktive Ausgangslage: Ein Hinweis in zwei Klassen
Alle Nachrichten, Klassen und Häufigkeiten im Beispiel sind erfunden. Ein Team unterscheidet die Klassen „Spezialfall“ und „Routinefall“. Für die Handrechnung setzt es beide Klassen mit jeweils 50 Prozent Ausgangswahrscheinlichkeit an. Als einziges Merkmal erfasst es zunächst, ob das Stichwort „Rechnung“ in einer Nachricht vorhanden ist.
Die vorgegebenen Häufigkeiten lauten: Bei 20 Spezialfällen enthalten 16 das Stichwort und vier nicht. Bei 20 Routinefällen enthalten vier das Stichwort und 16 nicht. Für das vorhandene Stichwort ergeben sich damit 16 von 20, also 0,8, bei Spezialfällen und vier von 20, also 0,2, bei Routinefällen.
Wir verwenden diese Werte direkt und ohne zusätzliche Glättung. Das ist eine bewusst vereinfachte Handrechnung, kein behaupteter Softwarelauf mit bestimmten Voreinstellungen. Die Klassenbezeichnungen sind nur Lernetiketten und keine Aussage darüber, wie betriebliche Nachrichten tatsächlich bearbeitet werden sollten.
Mit einem Merkmal entsteht der Wert 80 Prozent
Für eine neue Nachricht mit vorhandenem Stichwort bilden wir zunächst zwei Vergleichswerte. Für „Spezialfall“ rechnen wir 0,5 × 0,8 = 0,4. Für „Routinefall“ rechnen wir 0,5 × 0,2 = 0,1. Die Ausgangswahrscheinlichkeit der jeweiligen Klasse wird also mit der zugehörigen Merkmalswahrscheinlichkeit multipliziert.
Zur Normierung teilen wir den Spezialfall-Wert durch die Summe beider Werte: 0,4 / (0,4 + 0,1) = 0,8. Das sind 80 Prozent unter unseren festgelegten Annahmen. Der Wert ist keine gemessene Trefferquote. Er entsteht aus den erfundenen Häufigkeiten und der beschriebenen Rechnung.
Die Kopie verändert die Rechnung, nicht die Information
Nun ergänzt das Team eine zweite Spalte. Die erste heißt intern „Stichwort Rechnung vorhanden“, die zweite „enthält Rechnung“. Beide werden nach genau derselben Regel aus demselben Text gebildet. In jeder Zeile stehen deshalb entweder zweimal „ja“ oder zweimal „nein“.
Behandelt die naive Produktrechnung die Spalten dennoch als zwei getrennte Merkmale, ergeben sich für eine Nachricht mit zweimal „ja“ folgende Werte: Für „Spezialfall“ 0,5 × 0,8 × 0,8 = 0,32; für „Routinefall“ 0,5 × 0,2 × 0,2 = 0,02.
Nach Normierung beträgt der Spezialfall-Wert nun 0,32 / (0,32 + 0,02), also ungefähr 0,9412 beziehungsweise 94,12 Prozent. Die bevorzugte Klasse bleibt gleich. Der ausgewiesene Zahlenwert wirkt jedoch wesentlich eindeutiger, obwohl kein zusätzlicher Text, kein zweiter Sachverhalt und keine neue Beobachtung hinzugekommen sind.
Die gemeinsame Beobachtung ist weiterhin dieselbe
In unserer erfundenen Tabelle haben 16 der 20 Spezialfälle beide Kennzeichen gleichzeitig und vier der 20 Routinefälle ebenfalls. Weil die Kennzeichen identisch sind, beträgt ihre gemeinsame Häufigkeit innerhalb der Klassen weiterhin 0,8 beziehungsweise 0,2 – nicht 0,64 beziehungsweise 0,04.
Wird diese tatsächliche gemeinsame Häufigkeit des Beispiels verwendet, führt die Normierung wieder zu 80 Prozent. Der Unterschied zu 94,12 Prozent stammt hier aus der unpassenden Unabhängigkeitsannahme für zwei Kopien. Wir haben damit nicht bewiesen, dass 80 Prozent eine verlässliche Wahrscheinlichkeit für künftige reale Nachrichten wäre. Die Gegenprobe gilt ausschließlich für unseren konstruierten Lernfall.
Warum die Merkmalsbeschreibung zur Prüfung gehört
Eine Tabelle zeigt nicht immer sofort, wie eine Spalte entstanden ist. Unterschiedliche Namen können dieselbe Berechnung verbergen. Für unsere beiden Kennzeichen ist deshalb eine Herkunftsnotiz hilfreich: Welche Textstelle wird ausgewertet? Welche Regel erzeugt „ja“? Wird die zweite Spalte unabhängig ermittelt oder nur aus der ersten übernommen?
Die offizielle Referenz zu BernoulliNB beschreibt eine Naive-Bayes-Variante für binäre beziehungsweise boolesche Merkmale. „Vorhanden oder nicht vorhanden“ passt als Darstellungsform dazu. Ob die gewählten Merkmale inhaltlich voneinander abhängig sind, ist damit aber noch nicht geklärt. Der Datentyp allein beseitigt keine doppelte Information.
Für die private Lernübung können Sie zwei identische Reihen farbiger Karten auslegen. Jede Karte der zweiten Reihe kopiert die darüberliegende. Fragen Sie anschließend: Welche neue Beobachtung enthält die zweite Reihe? Die Antwort lautet in diesem bewusst einfachen Fall: keine.
Aus einer auffälligen Rechnung wird ein Prüfauftrag
Das Team sollte den Sprung von 80 auf 94,12 Prozent nicht als Qualitätsgewinn präsentieren. Eine präzisere Notiz wäre: „Die zweite Spalte ist eine identische Kopie; die Produktrechnung verstärkt dadurch denselben Hinweis.“ Anschließend muss geklärt werden, wie die Merkmale für den tatsächlichen Anwendungsfall gestaltet und geprüft werden sollen.
Diese eigene Prüfliste hilft bei der Vorbereitung:
- Benennen Sie die Klasse und die Bedeutung jedes Merkmals.
- Dokumentieren Sie die Herkunft und Berechnungsregel jeder Spalte.
- Unterscheiden Sie neue Beobachtungen von Kopien oder Umbenennungen.
- Halten Sie Vergleichsrechnungen mit und ohne die Kopie getrennt fest.
- Bewerten Sie eine spätere Modellvariante anhand geeigneter, gesonderter Prüfdaten statt allein nach einem höheren Ausgabewert.
Das Entfernen einer identischen Spalte wäre in unserem Beispiel ein nachvollziehbarer Ansatz gegen genau diese Doppelzählung. Es ist jedoch keine allgemeine Zusage für bessere Vorhersagen in jedem Datensatz. Auch die übrigen Merkmale, Annahmen und Fehlerarten bleiben zu prüfen.
FAQ zu Naive Bayes bei KI
Sind zwei verschiedene Spaltennamen zwei unabhängige Hinweise?
Nein. Im Beispiel entstehen beide Spalten durch dieselbe Regel und enthalten immer denselben Wert.
Hat sich durch die Kopie die vorhergesagte Klasse geändert?
Nein. „Spezialfall“ bleibt in unserer Rechnung bevorzugt. Geändert hat sich der normierte Zahlenwert, nicht die verfügbare Information.
Sind 94,12 Prozent hier eine gemessene Genauigkeit?
Nein. Es ist ein Rechenergebnis unter den ausdrücklich genannten Annahmen. Eine Trefferquote müsste durch einen anderen Vergleich mit bekannten Ergebnissen ermittelt werden.
Fazit: Mehr Spalten sind nicht automatisch mehr Evidenz
Die Übung zeigt einen klaren Unterschied: Ein höherer Ausgabewert kann aus einer wiederholten Verrechnung derselben Information entstehen. Prüfen Sie deshalb Merkmalsherkunft und Annahmen, bevor Sie solche Zahlen als zusätzliche Sicherheit interpretieren. Wenn Sie KI-Ergebnisse im Arbeitsalltag besser einordnen möchten, informieren Sie sich über KI-Grundlagenkompetenzen für die digitale Arbeitswelt. Für Fragen zur passenden Weiterbildung nutzen Sie den Kontakt zu GrandEdu Media. Dieser Artikel ist eine eigenständige Verständnishilfe und keine Zusage zu einer bestimmten Softwareübung im Angebot.