„Die ersten Komponenten erklären 90 Prozent der Varianz.“ Dieser Satz klingt nach einem starken Qualitätsnachweis. In einer KI-Projektbesprechung kann er jedoch etwas ganz anderes bedeuten als „Das Modell entscheidet zu 90 Prozent richtig“. Wer beides verwechselt, übersieht möglicherweise genau die Information, die für die spätere Aufgabe wichtig ist.
PCA bei KI bezeichnet hier die Hauptkomponentenanalyse zur Vorbereitung numerischer, tabellarischer Daten. Der Beitrag richtet sich an Berufstätige, die solche Auswertungen einordnen möchten. Er behandelt weder eine universelle Technik für Chatbot-Antworten noch ein tatsächlich eingesetztes GrandEdu-System. Ein bewusst kleiner, vollständig erfundener Lernfall macht den Unterschied zwischen verdichteter Darstellung und brauchbarer Vorhersage sichtbar.
Was eine PCA verändert
Die offizielle Dokumentation der PCA in scikit-learn beschreibt eine lineare Dimensionsreduktion. Das Verfahren sucht Richtungen im Merkmalsraum, entlang derer die Daten besonders stark streuen. Diese Hauptkomponenten werden nach der erklärten Varianz geordnet. In dieser Implementierung werden Eingaben zentriert, aber nicht automatisch pro Merkmal skaliert.
Statt jeder ursprünglichen Spalte kann eine Auswertung anschließend die Position eines Falls entlang ausgewählter neuer Richtungen verwenden. Üblicherweise sind diese Richtungen Kombinationen ursprünglicher Merkmale. Werden weniger Komponenten behalten als für die vollständige Darstellung nötig sind, gehen Unterschiede verloren. Das ist nicht grundsätzlich falsch: Verdichtung ist gerade der Zweck. Entscheidend ist, ob die verbleibende Darstellung zur konkreten Aufgabe passt.
Vier Fälle, zwei Merkmale, eine bewusst einfache Geometrie
Für unsere eigene Übung erfassen wir zwei fiktive Merkmale X und Y auf einer festgelegten gemeinsamen Punkteskala. Wir verwenden die Zahlen unverändert, zentrieren sie für die PCA und standardisieren sie ausdrücklich nicht auf gleiche Varianz. Es handelt sich nicht um gemessene Eigenschaften realer Beschäftigter oder Kunden.
- Fall A: X = 7, Y = 9.
- Fall B: X = 7, Y = 11.
- Fall C: X = 13, Y = 9.
- Fall D: X = 13, Y = 11.
Beide Merkmale haben den Mittelwert zehn. Nach Abzug dieses Mittelwerts lauten die Koordinaten: A (−3, −1), B (−3, +1), C (+3, −1) und D (+3, +1). Die Punkte bilden die Ecken eines Rechtecks. Horizontal unterscheiden sie sich stärker als vertikal.
Warum die erste Komponente hier 90 Prozent erklärt
Die quadrierten Abweichungen von X summieren sich zu 36, die von Y zu vier. Die gemischten Produkte heben sich gegenseitig auf; die beiden Merkmale haben in dieser Übung Kovarianz null. Deshalb verlaufen die Hauptkomponenten hier ausnahmsweise entlang der ursprünglichen Achsen.
Mit dem Stichproben-Varianznenner drei ergeben sich für X zwölf und für Y 4/3. Der Anteil der ersten Komponente an der Gesamtvarianz beträgt damit 12 / (12 + 4/3) = 0,90. Die erste Komponente erfasst 90 Prozent, die zweite zehn Prozent. Diese Rechnung gehört ausschließlich zu unseren vier festgelegten Punkten und der gewählten Vorverarbeitung.
Wir behalten nun nur die erste Komponente. Ihre Werte entsprechen hier bis auf eine mögliche gemeinsame Vorzeichenumkehr den zentrierten X-Werten −3, −3, +3 und +3. A und B erhalten also denselben reduzierten Wert; ebenso C und D. Der Unterschied zwischen Y = 9 und Y = 11 ist in dieser eindimensionalen Darstellung verschwunden.
Die verlorenen zehn Prozent können für die Aufgabe entscheidend sein
Jetzt ergänzen wir eine künstliche Zielzuordnung: Fälle mit Y = 9 heißen „unten“, Fälle mit Y = 11 „oben“. Diese Etiketten werden ausschließlich für die Lernübung festgelegt. Es geht nicht um eine betriebliche Empfehlung oder einen nachgewiesenen Zusammenhang in echten Daten.
Mit Y können wir die vier Fälle nach dieser Definition eindeutig unterscheiden. Nach der Reduktion auf die erste Komponente dagegen liegt bei −3 sowohl „unten“ als auch „oben“ vor; bei +3 ebenfalls. Ein deterministischer Klassifikator, der ausschließlich diesen reduzierten Wert erhält, muss identische Eingaben gleich zuordnen. Er kann daher in genau diesen vier gleich gewichteten Fällen höchstens zwei der vier Etiketten treffen.
Das ist kein unabhängig gemessener Modelltest und keine allgemeine 50-Prozent-Grenze für PCA. Es ist ein Gegenbeispiel zur Behauptung, viel erklärte Varianz sichere automatisch gute Vorhersagen. In unserem konstruierten Fall steckt die gesamte Zielunterscheidung in der verworfenen Richtung. Die PCA wurde hier aus X und Y bestimmt, nicht anhand der Zielzuordnung optimiert.
Warum die Skala zur Aussage gehört
Die offizielle Demonstration zum Einfluss der Feature-Skalierung zeigt, dass unterschiedliche Größenordnungen die Hauptkomponenten prägen können. Auch erläutert sie, warum Skalierung nicht in jedem Fall die Vorhersage verbessert. Sie ist eine zu prüfende Entscheidung, keine automatische Qualitätsgarantie.
In unserer Übung würde eine Standardisierung auf gleiche Varianz das Verhältnis 90 zu zehn aufheben. Die beiden standardisierten Merkmale hätten dieselbe Varianz. Damit wäre die besondere Bevorzugung der horizontalen Richtung nicht mehr durch die größere Streuung begründet. Den ursprünglichen Prozentwert nach einer solchen Änderung unverändert weiterzuverwenden, wäre falsch.
Für eine Ergebnisnotiz brauchen Sie deshalb mindestens die verwendeten Merkmale, deren Maßeinheiten beziehungsweise Skalen und die Vorbereitung. „90 Prozent erklärt“ ohne diese Angaben ist unvollständig. Auch ein Name wie „Komponente 1“ liefert noch keine fachliche Bedeutung wie Produktivität oder Kundenwert.
Wie eine verantwortliche Prüfung aussehen kann
Stellen Sie in der Projektbesprechung drei getrennte Fragen: Wie viel Streuung bleibt erhalten? Welche fachlich relevanten Unterschiede gehen verloren? Und wie gut löst der vollständige Ablauf die eigentliche Aufgabe? Nur die erste Frage beantwortet der Anteil erklärter Varianz unmittelbar.
Für eine Vorhersageaufgabe ist ein sinnvoller Vergleich mit und ohne Reduktion unter denselben Bewertungsbedingungen hilfreich. Die Komponentenzahl sollte nicht allein anhand eines schön aussehenden Prozentwerts gewählt werden. Ein größerer Anteil kann mehr Unterschiede erhalten, macht aber aus ungeeigneten Daten keine geeignete Grundlage.
Die offiziellen Hinweise zu Datenleckage beziehen die PCA ausdrücklich in die Risiken der Vorverarbeitung ein. Die Transformation darf bei einer unabhängigen Bewertung nicht bereits aus den späteren Testdaten gelernt werden. Bei Kreuzvalidierung gehört das Lernen der Vorbereitung in den jeweiligen Trainingsdurchlauf. Eine Pipeline kann diese Schritte gemeinsam organisieren; der abschließende Testbestand bleibt von der Auswahl getrennt.
FAQ zur PCA bei KI
Sind 90 Prozent erklärte Varianz 90 Prozent Trefferquote?
Nein. Der erste Wert beschreibt erhaltene Streuung der Eingaben. Die Trefferquote vergleicht konkrete Vorhersagen mit Referenzzuordnungen. Unsere Übung zeigt, dass diese Aussagen deutlich auseinanderfallen können.
Entfernt PCA einfach die unwichtigsten Originalspalten?
Nicht allgemein. Sie erzeugt neue Richtungen, die ursprüngliche Merkmale kombinieren können. Dass im Rechteckbeispiel die Achsen erhalten bleiben, ist eine besondere Eigenschaft der gewählten Punkte.
Reichen vier Fälle für eine echte Projektentscheidung?
Nein. Die vier Punkte veranschaulichen einen mathematischen Unterschied. Sie sind weder eine Empfehlung zur Stichprobengröße noch ein Nachweis der Praxistauglichkeit irgendeines Modells.
Fazit: Verdichtung und Nutzen getrennt bewerten
PCA bei KI kann Daten kompakter darstellen. Ob dabei nützliche oder entbehrliche Unterschiede verloren gehen, hängt von der Aufgabe ab. Fragen Sie deshalb nach dem erhaltenen Varianzanteil und zusätzlich nach einer passenden, unabhängigen Bewertung des vollständigen Verfahrens.
Wer Grundlagen zum Einordnen von KI und Daten vertiefen möchte, findet bei GrandEdu Media das öffentliche Angebot KI-Grundlagenkompetenzen für die digitale Arbeitswelt. Dieser Artikel ist eine eigenständige Lernübung, keine Zusage einer bestimmten PCA-Softwareübung im Kurs. Über den Kontakt zu GrandEdu Media können Sie Ihren Lernbedarf und Fragen zum Angebot klären.