Classification

Was ist Classification?

Classification beschreibt die Aufgabe, Eingabedaten (Text, Bild, Audio usw.) automatisch einer oder mehreren vordefinierten Klassen zuzuordnen. Das Modell lernt dabei aus Trainingsdaten, welche Merkmale zu welcher Kategorie gehören.

Arten der Klassifikation

• Binäre Klassifikation: Zwei mögliche Ausgaben (z. B. Spam / kein Spam, positiv / negativ)
• Multiclass-Klassifikation: Mehrere Klassen, aber jede Eingabe bekommt genau eine (z. B. Nachrichtenkategorie: Sport, Politik, Wirtschaft)
• Multilabel-Klassifikation: Eine Eingabe kann mehrere Klassen gleichzeitig haben (z. B. ein Artikel ist gleichzeitig "Tech" und "Politik")

Praxisbeispiel mit der OpenAI API

from openai import OpenAI

client = OpenAI()

def classify_sentiment(text: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": "Du bist ein Klassifikationsmodell. Antworte NUR mit: positiv, negativ oder neutral."
            },
            {
                "role": "user",
                "content": f"Klassifiziere diesen Text: {text}"
            }
        ],
        temperature=0  # Deterministisch fuer konsistente Klassifikation
    )
    return response.choices[0].message.content.strip()

result = classify_sentiment("Das Produkt hat meine Erwartungen übertroffen!")
print(result)  # -> positiv

Klassifikation mit Fine-tuned Modellen

Für produktive Anwendungen lohnt sich oft ein speziell trainiertes Modell (z. B. via Fine-Tuning), das schneller und günstiger als große LLMs ist:

from transformers import pipeline

classifier = pipeline("text-classification", model="distilbert-base-uncased-finetuned-sst-2-english")
result = classifier("This movie was absolutely fantastic!")
print(result)  # [{'label': 'POSITIVE', 'score': 0.9998}]

Wichtige Metriken

Metrik	Wann relevant?
Accuracy	Ausgeglichene Klassen
Precision / Recall	Ungleiche Klassenverteilung
F1-Score	Balance zwischen Precision und Recall
ROC-AUC	Binäre Klassifikation

Typische Anwendungsfälle

• Spam-Erkennung – E-Mails filtern
• Sentiment-Analyse – Kundenfeedback auswerten
• Content Moderation – Unerwünschte Inhalte erkennen
• Named Entity Recognition – Tokens klassifizieren (Person, Ort, Organisation)
• Bildklassifikation – Objekte in Fotos erkennen (Computer Vision)

Tipps für Entwickler

• Temperature auf 0 setzen, wenn du LLMs zur Klassifikation nutzt – so werden die Ausgaben deterministischer
• Klassen klar definieren: Je eindeutiger die Kategorien, desto besser die Performance
• Unbalanced Data beachten: Wenn eine Klasse viel häufiger vorkommt, kann das Modell "lazy" werden und immer die häufige Klasse vorhersagen