Support-Vektor-Maschinen: Interaktive Lernquizze für Studierende der Informatik

Question 1

Was ist der Hauptzweck des Kernel-Tricks in Support-Vektor-Maschinen?

Accepted Answer

Ermöglicht die Berechnung von Abständen in höheren Dimensionen ohne explizite Koordinatenberechnung.

Answer

Kann nur bei linearen Klassifikatoren verwendet werden.

Answer

Verbessert immer die Genauigkeit von Support-Vektor-Maschinen.

Answer

Dient als Regularisierungsmethode für Support-Vektor-Maschinen.

Question 2

Welche Kernel-Funktion ist ein linearer Kernel und wird in linearen Support-Vektor-Maschinen verwendet?

Accepted Answer

Linearer Kern

Answer

Polynomkern

Answer

Sigmoidkern

Answer

RBF-Kern

Question 3

Welches ist das primäre Ziel beim Training einer Support-Vektor-Maschine?

Accepted Answer

Suche nach der Hyperebene mit dem größten Abstand zu den Stützvektoren

Answer

Minimierung des Klassifizierungsfehlers

Answer

Maximierung des Funktionswertes

Answer

Suche nach der Hyperebene mit dem kleinsten Abstand zu den Stützvektoren

Question 4

Wie lautet die mathematische Gleichung für die Entscheidungsgrenze einer linearen Support-Vektor-Maschine?

Accepted Answer

wx + b = 0

Answer

wx + b >= 0

Answer

wx + b <= 0

Answer

wx + b > 0

Question 5

Welche der folgenden Aussagen beschreibt die Kernelung in Support-Vektor-Maschinen korrekt?

Accepted Answer

Sie erhöht die Dimensionalität des Eingabebereichs durch die Abbildung von Nichtlinearitäten.

Answer

Sie reduziert die Dimensionalität des Eingabebereichs durch Finden linearer Trennungen.

Answer

Sie ist eine Technik zur Minimierung der Kostenfunktion.

Answer

Sie hat keinen Einfluss auf die Leistung von SVM-Modellen.

Question 6

Was ist der wesentliche Unterschied zwischen einem Hard-Margin-SVM und einem Soft-Margin-SVM?

Accepted Answer

Hard-Margin-SVMs erlauben keine Fehlklassifizierungen, während Soft-Margin-SVMs dies tun.

Answer

Soft-Margin-SVMs erlauben keine Fehlklassifizierungen, während Hard-Margin-SVMs dies tun.

Answer

Beide Arten von SVMs erlauben Fehlklassifizierungen, aber Soft-Margin-SVMs bestrafen sie stärker.

Answer

Es gibt keinen Unterschied zwischen Hard-Margin- und Soft-Margin-SVMs.

Question 7

Was ist das Hauptziel der Lagrange-Multiplikatorenmethode bei der Lösung des SVM-Optimierungsproblems?

Accepted Answer

Umwandlung des Optimierungsproblems in ein äquivalentes Problem mit Nebenbedingungen.

Answer

Minimierung der Kostenfunktion unter Berücksichtigung der Nebenbedingungen.

Answer

Maximierung der Marge des SVM-Modells.

Answer

Regularisierung des SVM-Modells zur Vermeidung von Überanpassung.

Question 8

Welche der folgenden Aussagen zur Durchführung einer Kernelung in SVMs ist falsch?

Accepted Answer

Die Kernelung garantiert eine lineare Trennbarkeit der Daten.

Answer

Die Kernelung wird im Dualraum durchgeführt.

Answer

Der Kernel kann eine beliebige Funktion sein, die dem Mercer-Theorem entspricht.

Answer

Die Kernelung kann die Komplexität des Modells erhöhen.

Question 9

Worin liegt der Vorteil der Verwendung von SVMs für Klassifizierungsprobleme mit hochdimensionalen Daten?

Accepted Answer

SVMs weisen eine gute Leistung bei hochdimensionalen Daten auf, ohne empfindlich darauf zu reagieren.

Answer

SVMs können durch Reduzierung der Dimensionalität die Berechnung vereinfachen.

Answer

SVMs erfordern keine Feature-Skalierung oder Dimensionsreduktion.

Answer

SVMs sind immer die optimale Wahl für hochdimensionale Klassifizierungsprobleme.

Question 10

Welche Aussage beschreibt die Bedeutung von SVMs in der Medizin am besten?

Accepted Answer

SVMs werden häufig zur Vorhersage von Krankheiten und zur Personalisierung von Behandlungen eingesetzt.

Answer

SVMs können komplexe medizinische Daten verarbeiten und präzise Diagnosen stellen.

Answer

SVMs haben traditionelle statistische Methoden in der Medizin vollständig ersetzt.

Answer

SVMs sind für den medizinischen Einsatz zu komplex und teuer.

Question 11

Wie wirken sich Kernel-Funktionen in Support-Vektor-Maschinen auf die Trennungsgrenze des Modells aus?

Accepted Answer

Der lineare Kernel erzeugt immer eine lineare Trennungsgrenze.

Answer

Sie haben keinen Einfluss.

Answer

Der polynomiale Kernel ist in der Regel effektiver als der RBF-Kernel für hochdimensionale Daten.

Answer

Der RBF-Kernel kann nur für binäre Klassifizierungsprobleme verwendet werden.

Question 12

Welcher Hyperparameter ist in einem SVM-Modell für die Regularisierung verantwortlich?

Accepted Answer

C

Answer

γ

Answer

ρ

Answer

λ

Question 13

Welche Methode wird verwendet, um die Lagrange-Multiplikatoren in einem SVM-Modell zu lösen?

Accepted Answer

Sequentielle Minimierungsoptimierung

Answer

Gradientenabstieg

Answer

Conjugate Gradient-Methode

Answer

Newtonsche Methode

Question 14

Beschreiben Sie den schrittweisen Prozess der Klassifizierung von Datenpunkten mit einer linearen Support-Vektor-Maschine.

Accepted Answer

1. Datenpunkte abbilden, 2. Trennebene festlegen, 3. Support-Vektoren identifizieren, 4. Klassifizieren

Answer

1. Datenpunkte gruppieren, 2. Kernel-Funktion anwenden, 3. Entscheidungsgrenze festlegen, 4. Klassifizieren

Answer

1. Beschriftungen zuweisen, 2. Entscheidungsbaum erstellen, 3. Klassifizieren

Answer

1. Daten standardisieren, 2. Lineare Regression anwenden, 3. Wahrscheinlichkeiten berechnen, 4. Klassifizieren

Question 15

Welche der folgenden Aussagen über den Kernel-Trick in Support-Vektor-Maschinen (SVMs) trifft zu?

Accepted Answer

Ermöglicht die Klassifizierung nichtlinear trennbarer Daten durch Abbildung in einen hochdimensionalen Raum.

Answer

Erhöht die Modellkomplexität und führt zu Überanpassung.

Answer

Verringert die Anzahl der Stützvektoren und verbessert die Effizienz.

Answer

Gilt nur für binäre Klassifizierungsprobleme.

Question 16

Welche Regularisierungsmethode wird in Support-Vektor-Maschinen eingesetzt?

Accepted Answer

Beide genannten Methoden

Answer

L1-Regularisierung

Answer

L2-Regularisierung

Answer

Keine der genannten Methoden

Question 17

Welcher der folgenden Schritte ist beim Erstellen eines SVM-Modells nicht erforderlich?

Accepted Answer

Clusteranalyse

Answer

Datenvorverarbeitung

Answer

Merkmalsextraktion

Answer

Skalarproduktberechnung

Question 18

Welcher Vorteil ergibt sich aus der Verwendung eines Gaußschen Kernels in einem SVM?

Accepted Answer

Ermöglicht die Klassifizierung nichtlinearer Daten.

Answer

Reduziert die Anzahl der Stützvektoren.

Answer

Verbessert die Interpretierbarkeit des Modells.

Answer

Beschleunigt die Trainingszeit.

Question 19

Welcher Parameter in einem SVM-Modell steuert die Gewichtung zwischen der Maximierung der Marge und der Minimierung des Klassifizierungsfehlers?

Accepted Answer

C

Answer

Gamma

Answer

Epsilon

Answer

Delta

Question 20

Was ist das Hauptunterscheidungsmerkmal zwischen linearen und nichtlinearen SVMs?

Accepted Answer

Kernel-Funktion

Answer

Entscheidungsgrenze

Answer

Optimierungsalgorithmus

Answer

Interpretierbarkeit

Question 21

Welches ist das primäre Ziel der Optimierung in Support-Vektor-Maschinen?

Accepted Answer

Minimierung der Distanz zwischen Stützvektoren und Hyperebene

Answer

Maximierung der Klassifikationsgenauigkeit

Answer

Maximalisierung der Anzahl von Stützvektoren

Answer

Minimierung der Anzahl von Fehlklassifizierungen

Question 22

Welcher Parameter steuert die Regularisierung in einem SVM-Modell?

Accepted Answer

C

Answer

γ

Answer

x

Answer

k

Question 23

Wie lautet die optimale Anzahl von Stützvektoren für eine SVM?

Accepted Answer

So wenige wie möglich

Answer

So viele wie möglich

Answer

Abhängig von der Komplexität der Daten

Answer

Es ist immer gleich der Anzahl der Merkmale

Question 24

Was ist eine zutreffende Aussage über Support-Vektor-Maschinen (SVMs)?

Accepted Answer

SVMs sind Klassifikatoren, die Linien oder Ebenen verwenden, um Datenpunkte zu trennen.

Answer

SVMs sind Algorithmen für unüberwachtes Lernen, die keine beschrifteten Daten benötigen.

Answer

SVMs garantieren immer eine fehlerfreie Trennung von Datenpunkten.

Question 25

Welche der folgenden Aussagen beschreibt die Hauptfunktion von Support-Vektor-Maschinen (SVMs) am besten?

Accepted Answer

SVMs klassifizieren Daten, indem sie eine optimale Hyperfläche zwischen zwei Klassen finden.

Answer

SVMs sind ein Algorithmus für unüberwachtes Lernen.

Answer

SVMs verwenden Gaußsche Verteilungen, um Datenpunkte zu clustern.

Question 26

Welche Rolle spielen Stützvektoren bei der Erstellung eines SVM-Modells?

Accepted Answer

Sie definieren die Trennränder zwischen den Klassen und beeinflussen die Lage der Klassifikationshyperfläche.

Answer

Sie werden verwendet, um Ausreißer aus den Daten zu entfernen.

Answer

Sie bestimmen die Steigung der Klassifikationshyperfläche.

Answer

Sie repräsentieren die Datenpunkte mit dem größten Fehler.

Question 27

Welcher Parameter steuert den Kompromiss zwischen Modellkomplexität und Generalisierungsfähigkeit in SVM-Modellen?

Accepted Answer

Regularisierungsparameter C

Answer

gamma

Answer

alpha

Answer

epsilon

Question 28

Welche Technik kann verwendet werden, um die Anzahl der Merkmale zu reduzieren, die in einem SVM-Modell verwendet werden?

Accepted Answer

Hauptkomponentenanalyse (PCA)

Answer

Regressionsanalyse

Answer

Clusteranalyse

Question 29

Welche der folgenden Bibliotheken bietet Implementierungen für SVMs in Python?

Accepted Answer

scikit-learn

Answer

Pandas

Answer

NumPy

Answer

TensorFlow

Question 30

Welches Konzept ermöglicht es SVMs, nichtlineare Entscheidungsgrenzen zu erstellen?

Accepted Answer

Kerneltrick

Answer

Entscheidungsbaumalgorithmus

Answer

k-nächste-Nachbarn-Algorithmus

Answer

Perzeptron-Algorithmus

Question 31

Welche der folgenden Aussagen trifft auf lineare Support-Vektor-Maschinen (SVMs) zu?

Accepted Answer

Sie erstellen lineare Trennflächen zur Klassifikation von Daten.

Answer

Sie sind in erster Linie für die Verarbeitung natürlicher Sprache konzipiert.

Answer

Sie benötigen immer eine große Anzahl von Trainingsdaten.

Question 32

Welche der folgenden Metriken eignet sich am besten zur Bewertung der Leistung einer SVM in Klassifikationsproblemen?

Accepted Answer

F1-Maß

Answer

Mittlerer absoluter Fehler

Answer

Korrelationskoeffizient

Question 33

Welche der folgenden Aussagen beschreibt die Rolle von Stützunterstützungsvektoren in einem SVM-Modell?

Accepted Answer

Sie definieren die optimale Entscheidungsgrenze und bestimmen die Modellparameter.

Answer

Sie speichern alle Trainingsdatenpunkte.

Answer

Sie verringern die Überanpassung des Modells.

Question 34

Welche der folgenden Anwendungen eignet sich nicht für Support-Vektor-Maschinen?

Accepted Answer

Generierung natürlicher Sprache

Answer

Sentimentanalyse

Answer

Spracherkennung

Answer

Bilderkennung

Question 35

Was ist ein wesentlicher Vorteil von Support-Vektor-Maschinen gegenüber anderen Klassifikationsalgorithmen?

Accepted Answer

Fähigkeit, komplexe nicht-lineare Muster in Daten zu erkennen und zu trennen.

Answer

Erfordern keine manuelle Merkmalsextraktion.

Answer

Immer niedrigere Rechenkomplexität als andere Algorithmen.

Question 36

Welche der folgenden Aussagen beschreibt korrekt die Berechnungskomplexität von SVM-Modellen?

Accepted Answer

Die Trainingskomplexität von SVM-Modellen ist im Allgemeinen hoch, während die Vorhersagekomplexität gering ist.

Answer

Sowohl die Trainings- als auch die Vorhersagekomplexität sind hoch.

Answer

Sowohl die Trainings- als auch die Vorhersagekomplexität sind niedrig.

Question 37

Welches Kriterium ist für einen optimalen Klassifikator in SVM von entscheidender Bedeutung?

Accepted Answer

Maximale Marge

Answer

Höchste Genauigkeit

Answer

Minimale Fehler

Answer

Geringster Zeitaufwand

Question 38

Welchem Zweck dient die Slack-Variable in SVM?

Accepted Answer

Ermöglicht Datenpunkte innerhalb der Marge

Answer

Reduziert die Überanpassung

Answer

Vereinfacht die mathematische Berechnung

Answer

Erhöht die Klassifizierungsgenauigkeit

Question 39

Welche Technik kann zur Reduzierung der Überanpassung in SVM-Modellen eingesetzt werden?

Accepted Answer

Regularisierung

Answer

Kreuzvalidierung

Answer

Feature-Skalierung

Answer

Datenteilung

Question 40

Welches ist ein wesentlicher Vorteil von SVM-Modellen für Klassifizierungsaufgaben?

Accepted Answer

Robustheit gegenüber Überanpassung

Answer

Hohe Genauigkeit bei kleinen Datensätzen

Answer

Schnelle Berechnungszeiten

Answer

Einfache Implementierung

Question 41

Nennen Sie eine typische Anwendung für Support-Vektor-Maschinen.

Accepted Answer

Handschrifterkennung

Answer

Regressionsanalyse

Answer

Zeitreihendatenvorhersage

Answer

Clusteranalyse

Question 42

Welche Metrik eignet sich zur Bewertung der Performance von SVM-Klassifikatoren?

Accepted Answer

F1-Score

Answer

Mittlerer absoluter Fehler

Answer

Korrelationskoeffizient

Answer

Variationskoeffizient

Question 43

Welche Aussage beschreibt die Funktion eines Kernels in Support-Vektor-Maschinen am besten?

Accepted Answer

Ein Kernel transformiert Daten in einen höherdimensionalen Raum, um eine lineare Trennung zu ermöglichen.

Answer

Ein Kernel berechnet die Distanz zwischen zwei Datenpunkten.

Answer

Ein Kernel reduziert die Dimensionalität der Daten, um die Berechnung zu beschleunigen.

Answer

Ein Kernel wählt die relevantesten Merkmale für die Klassifizierung aus.

Question 44

Was ist der zentrale Unterschied zwischen linearen und nichtlinearen Support-Vektor-Maschinen?

Accepted Answer

Lineare SVMs suchen nach einer linearen Trennfläche, während nichtlineare SVMs komplexe, nichtlineare Trennflächen finden können.

Answer

Lineare SVMs verwenden Kernel-Funktionen, während nichtlineare SVMs dies nicht tun.

Answer

Lineare SVMs sind für Klassifizierungsaufgaben geeignet, während nichtlineare SVMs für Regressionsaufgaben verwendet werden.

Answer

Lineare SVMs sind robuster gegenüber Ausreißern als nichtlineare SVMs.

Question 45

Welche Metrik wird häufig zur Bewertung der Leistung eines SVM-Modells herangezogen?

Accepted Answer

Genauigkeit (Accuracy)

Answer

Entropie

Answer

Korrelationskoeffizient

Answer

Chi-Quadrat-Test

Question 46

Welchen Einfluss hat die Größe des Regularisierungsparameters C auf die Performance einer SVM?

Accepted Answer

Ein größeres C führt zu einer geringeren Regularisierung, was zu einer komplexeren Entscheidungsfläche führt, die möglicherweise zu Überanpassung führt.

Answer

Ein größeres C führt zu einer stärkeren Regularisierung und einer einfacheren Entscheidungsfläche.

Answer

Ein größeres C hat keinen Einfluss auf die Komplexität der Entscheidungsfläche, sondern nur auf die Geschwindigkeit des Trainings.

Answer

Ein größeres C führt zu einer geringeren Gewichtung der Support-Vektoren.

Question 47

Was sind Support-Vektoren in einer SVM?

Accepted Answer

Die Datenpunkte, die am nächsten zur Trennfläche liegen und den Verlauf der Entscheidungsfläche beeinflussen.

Answer

Zufällig ausgewählte Datenpunkte, die zur Berechnung der Trennfläche verwendet werden.

Answer

Alle Datenpunkte, die korrekt klassifiziert wurden.

Answer

Die Datenpunkte, die die größte Distanz zur Trennfläche aufweisen.

Question 48

Wie lässt sich der Prozess der Optimierung einer SVM beschreiben?

Accepted Answer

Durch die Suche nach einer optimalen Hyperfläche, die die maximale Distanz zwischen den Klassen aufweist, um die Generalisierungsfähigkeit zu maximieren.

Answer

Durch die Minimierung der Anzahl der Support-Vektoren.

Answer

Durch die Minimierung des Fehlers auf den Trainingsdaten.

Answer

Durch die Maximierung der Anzahl der korrekt klassifizierten Datenpunkte im Trainingsdatensatz.

Question 49

Welches Problem tritt bei Überanpassung einer SVM auf?

Accepted Answer

Das Modell ist zu stark an die Trainingsdaten angepasst und generalisiert schlecht auf neue Daten.

Answer

Das Modell ist zu simpel und kann die Komplexität der Daten nicht erfassen.

Answer

Das Modell ist zu komplex und benötigt zu viel Rechenzeit.

Answer

Das Modell ist nicht in der Lage, die Trainingsdaten ausreichend zu lernen.

Question 50

Welche Aussage beschreibt die Funktion einer Support-Vektor-Maschine (SVM) am treffendsten?

Accepted Answer

Eine SVM ist ein Algorithmus zur Mustererkennung, der einen optimalen Hyperplane findet, um Datenpunkte in verschiedene Klassen zu trennen.

Answer

Eine SVM ist ein Regressionsalgorithmus, der eine Funktion zur Vorhersage kontinuierlicher Werte findet.

Answer

Eine SVM ist ein Algorithmus zur Dimensionsreduktion, der die Anzahl der Variablen in einem Datensatz reduziert.

Answer

Eine SVM ist ein Clustering-Algorithmus, der Datenpunkte in Gruppen mit ähnlichen Eigenschaften einteilt.

Question 51

Was ist die Funktion des C-Parameters in einer SVM?

Accepted Answer

Der C-Parameter steuert die Balance zwischen der Minimierung des Klassifikationsfehlers und der Maximierung der Abstandsmarge.

Answer

Der C-Parameter bestimmt die Lernrate des Algorithmus.

Answer

Der C-Parameter steuert die Anzahl der Support-Vektoren.

Answer

Der C-Parameter legt die Kernelfunktion fest, die zur Transformation der Daten verwendet wird.

Question 52

Welcher Hauptvorteil zeichnet Support-Vektor-Maschinen (SVMs) gegenüber der logistischen Regression aus?

Accepted Answer

SVMs können komplexe, nichtlineare Entscheidungsflächen modellieren, während die logistische Regression auf lineare Modelle beschränkt ist.

Answer

SVMs erfordern weniger Daten zum Training als die logistische Regression.

Answer

SVMs sind schneller zu trainieren als die logistische Regression.

Question 53

Welche Aussage beschreibt treffend den Einfluss des Gamma-Parameters auf einen RBF-Kernel?

Accepted Answer

Ein niedriger Gamma-Wert führt zu einer glatteren Entscheidungsfläche, während ein hoher Gamma-Wert eine komplexere und potenziell überangepasste Entscheidungsfläche erzeugt.

Answer

Ein hoher Gamma-Wert führt zu einer glatteren Entscheidungsfläche, während ein niedriger Gamma-Wert eine komplexere Entscheidungsfläche erzeugt.

Question 54

Für welche Aufgabe sind Support-Vektor-Maschinen besonders gut geeignet?

Accepted Answer

Klassifizierung von Daten mit komplexen, nichtlinearen Mustern.

Answer

Vorhersage kontinuierlicher Zielvariablen.

Answer

Clusterung von Datenpunkten.

Question 55

Welches Konzept steht hinter Support-Vektoren?

Accepted Answer

Support-Vektoren sind Datenpunkte, die am nächsten an der Entscheidungsfläche liegen und ihre Position bestimmen.

Answer

Support-Vektoren sind Datenpunkte, die das Modell am meisten beeinflussen.

Answer

Support-Vektoren sind Datenpunkte, die falsch klassifiziert wurden.

Question 56

Welcher primäre Vorteil ist mit der Verwendung eines linearen Kernels in einer SVM verbunden?

Accepted Answer

Lineare Kernel sind rechnerisch effizient und ermöglichen eine einfache Interpretation des Modells.

Answer

Lineare Kernel führen zu komplexeren Entscheidungsflächen als andere Kerneltypen.

Answer

Lineare Kernel sind weniger anfällig für Überanpassung als andere Kerneltypen.

Question 57

Welche Metriken eignen sich zur Bewertung der Leistung eines SVM-Modells?

Accepted Answer

Genauigkeit, Präzision, Rückruf und F1-Score.

Answer

Mittlerer absoluter Fehler (MAE).

Answer

Mittlerer quadratischer Fehler (MSE).

Answer

R-Quadrat.

Question 58

Welche Aussage über Support-Vektor-Maschinen (SVMs) ist **nicht** korrekt?

Accepted Answer

SVMs sind besonders gut für Regressionsprobleme geeignet.

Answer

SVMs zielen darauf ab, eine optimale Trennlinie zwischen Klassen zu finden.

Answer

SVMs sind ein überwachter Lernalgorithmus.

Question 59

Welche Kernel-Funktion wird typischerweise für linear trennbare Daten verwendet?

Accepted Answer

Linearer Kernel

Answer

Radial Basis Function (RBF) Kernel

Answer

Sigmoid-Kernel

Answer

Polynomialer Kernel

Question 60

Was ist der Zweck der Regularisierung in SVMs?

Accepted Answer

Überanpassung verhindern und die Generalisierungsfähigkeit des Modells verbessern.

Answer

Die Trainingsgeschwindigkeit des Modells erhöhen.

Answer

Die Anzahl der Support-Vektoren reduzieren.

Question 61

Welche Maßnahme kann die Leistung eines SVM-Modells verbessern, wenn es für komplexe, nichtlineare Daten trainiert wird?

Accepted Answer

Einen nichtlinearen Kernel anwenden.

Answer

Die Anzahl der Support-Vektoren erhöhen.

Answer

Die Regularisierung reduzieren.

Answer

Eine lineare Transformation auf die Daten anwenden.

Question 62

Wie wird der C-Parameter in SVMs verwendet?

Accepted Answer

Steuert den Trade-off zwischen der Anzahl der Fehlklassifizierungen und der Breite der Trennlinie.

Answer

Definiert den Typ des verwendeten Kernels.

Answer

Bestimmt die Anzahl der Support-Vektoren.

Question 63

Ein SVM-Modell wird mit einem polynomialen Kernel trainiert. Welchen Vorteil bietet dieser Kernel gegenüber einem linearen Kernel?

Accepted Answer

Er ermöglicht die Modellierung nicht-linearer Entscheidungsgrenzen.

Answer

Er reduziert die Trainingszeit des Modells.

Answer

Er erhöht die Anzahl der Support-Vektoren.

Question 64

Was passiert, wenn die Gamma-Parameter in einem RBF-Kernel erhöht wird?

Accepted Answer

Die Entscheidungsgrenze wird komplexer und passt sich besser an die Trainingsdaten an.

Answer

Die Entscheidungsgrenze wird linearer.

Answer

Das Modell trainiert schneller.