In vielen realen ML-Szenarien sind kontinuierliche Zielwerte nicht direkt verfügbar – stattdessen liegen nur grobe Kategorien als Labels vor, etwa Qualitätsstufen, Bewertungsklassen oder Risikogruppen. Der Beitrag aus Towards Data Science adressiert genau dieses Problem und beschreibt mathematisch, wie man trotzdem einen feingranularen, kontinuierlichen Score erlernen kann. Der Kernansatz besteht darin, sogenannte Low-Capacity-Netzwerke – also Modelle mit bewusst eingeschränkter Ausdrucksstärke – einzusetzen, die innerhalb der kategorialen Grenzen interpolieren und so implizit eine kontinuierliche Scoring-Funktion aufbauen. Die Methode setzt keine zusätzliche Annotation voraus, was sie besonders attraktiv macht, wenn Labeling aufwendig oder teuer ist. Mathematisch wird beschrieben, wie die Kapazitätsbeschränkung als Regularisierung wirkt und verhindert, dass das Modell einfach die diskreten Kategoriegrenzen memoriert. Der Walkthrough richtet sich an Praktiker mit ML-Grundkenntnissen und erklärt die Herleitung Schritt für Schritt. Anwendungsfälle liegen überall dort, wo ordinale oder nominale Ground-Truth-Daten die einzige verfügbare Supervision darstellen.