feature(workshop): add workshop13 scaffold, solution will be added later

This commit is contained in:
2026-06-11 12:28:44 +02:00
parent e79f047f17
commit 353ec74ba0
6 changed files with 18823 additions and 0 deletions
+68
View File
@@ -0,0 +1,68 @@
# Workshop 13 — Stabilitätsvergleich von Klassifikatoren (Kreuzvalidierung)
> CAS Practical Machine Learning · Supervised Learning · Lektion 5 (Foliensatz 14, Folie 12)
> Zeit: 30'
## Aufgabenstellung
Vergleiche **alle bisher bekannten Klassifikatoren** in Bezug auf deren **Stabilität**
unter Anwendung von Kreuzvalidierung.
- für die Klassifikatoren jeweils **Default-Parametrisierung** verwenden
- für die Kreuzvalidierung `sklearn.model_selection.cross_val_score` einsetzen
## Kernidee: was heisst „Stabilität"?
`cross_val_score` liefert einen Score **pro Fold**. Aus diesen Werten:
- **mean** → durchschnittliche Performance
- **std** → **Stabilität**: wie stark schwankt die Performance über die Folds (= über
verschiedene Datenaufteilungen). **Kleine std = stabiler.**
Ziel des Vergleichs: welcher Klassifikator liefert nicht nur gute, sondern auch
**verlässliche** (wenig streuende) Ergebnisse?
## Datensatz
Klassifikations-Datensatz aus den bisherigen Workshops (analog WS6, via
`bfh_cas_pml.prep_data` auf dem aufbereiteten CSV in `data/`).
> Hinweis: `cross_val_score` übernimmt das Splitten selbst → **kein** manueller
> Train-Test-Split nötig. Es genügt, `X` und `y` zu übergeben (z.B. `X_train`, `y_train`).
## Ordnerstruktur
```
workshop13
├── data
│ └── <classification_data>.csv # aus Kursmaterial
├── devenv.lock
├── devenv.nix
├── README.md
├── stability_boxplot.png # Output
└── src
├── bfh_cas_pml.py # aus Kursmaterial
└── crossvalidation.py # Lösung
```
## Vorgehen
1. Daten laden (`X`, `y`).
2. Alle bekannten Klassifikatoren mit **Default-Parametern** in einem `dict` sammeln.
3. Pro Klassifikator `cross_val_score(clf, X, y, cv=kfold)` rechnen.
4. `mean` und `std` je Klassifikator gegenüberstellen (nach `std` sortieren).
5. Boxplot aller Klassifikatoren nebeneinander → Streuung sichtbar machen.
## Erkenntnisse / offene Punkte
> hier eigene Beobachtungen festhalten
- Stabilster Klassifikator (kleinste std):
- Bester Mittelwert (mean):
- Trade-off mean vs. std:
- Welche Klassifikatoren brauchen `random_state`, welche nicht?
## Quellen
- Foliensatz 14 (Validierung), V. Vogel, TI BFH — Folien 1012
- Notizen: `../../L5_Notizen.md` (Abschnitt „Praxis: Kreuzvalidierung")
File diff suppressed because it is too large Load Diff
+65
View File
@@ -0,0 +1,65 @@
{
"nodes": {
"devenv": {
"locked": {
"dir": "src/modules",
"lastModified": 1781147004,
"narHash": "sha256-/s2Fk3BDmdIIwSWZc04fLrCK86chpxpeMRgHXGjzquk=",
"owner": "cachix",
"repo": "devenv",
"rev": "15f44b869b9c99b0bb104b7d5a04d9faba540a5e",
"type": "github"
},
"original": {
"dir": "src/modules",
"owner": "cachix",
"repo": "devenv",
"type": "github"
}
},
"nixpkgs": {
"inputs": {
"nixpkgs-src": "nixpkgs-src"
},
"locked": {
"lastModified": 1778507786,
"narHash": "sha256-HzSQCKMsMr8r55LwM1JuzIOB+8bzk0FEv6sItKvsfoY=",
"owner": "cachix",
"repo": "devenv-nixpkgs",
"rev": "8f24a228a782e24576b155d1e39f0d914b380691",
"type": "github"
},
"original": {
"owner": "cachix",
"ref": "rolling",
"repo": "devenv-nixpkgs",
"type": "github"
}
},
"nixpkgs-src": {
"flake": false,
"locked": {
"lastModified": 1778274207,
"narHash": "sha256-I4puXmX1iovcCHZlRmztO3vW0mAbbRvq4F8wgIMQ1MM=",
"owner": "NixOS",
"repo": "nixpkgs",
"rev": "b3da656039dc7a6240f27b2ef8cc6a3ef3bccae7",
"type": "github"
},
"original": {
"owner": "NixOS",
"ref": "nixpkgs-unstable",
"repo": "nixpkgs",
"type": "github"
}
},
"root": {
"inputs": {
"devenv": "devenv",
"nixpkgs": "nixpkgs"
}
}
},
"root": "root",
"version": 7
}
+31
View File
@@ -0,0 +1,31 @@
{ pkgs, ... }:
{
# Native libs that the pip-wheel-installed numpy/scipy/matplotlib stack
# dlopen()s at runtime. zlib war schon in W3/W4 nötig (libz.so.1),
# stdenv.cc.cc.lib liefert libstdc++ für die scipy/sklearn-Wheels.
packages = [
pkgs.zlib
pkgs.stdenv.cc.cc.lib
];
languages.python = {
enable = true;
venv.enable = true;
venv.requirements = ''
pandas
numpy
scikit-learn
matplotlib
seaborn
'';
};
# Loader-Pfad für die obigen nativen Libs. Wenn beim Import trotzdem ein
# "ImportError: libXYZ.so.N" auftaucht: das bereitstellende pkgs.<paket>
# zu packages UND hier ergänzen — gleiches Muster wie der W3-Fix.
env.LD_LIBRARY_PATH = pkgs.lib.makeLibraryPath [
pkgs.zlib
pkgs.stdenv.cc.cc.lib
];
}
+193
View File
@@ -0,0 +1,193 @@
"""
Useful functions for example notebooks and workshop solutions
of course Practical Machine Learning - Supervised Learning
Bern University of Applied Sciences (BFH)
"""
# ========== Packages ==========
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# ========== Functions ==========
def prep_data(dataset, target, train_ratio = 2 / 3, seed = None, sep = ','):
""" read and prepare real data from the current directory
performs
read data
features - target - split
train - test - split
Parameters
----------
dataset: name of dataset in csv format
target: name of target column
train_ratio (2 / 3): (optional)
seed (None): random seet for split (optional)
sep (,): separator of csv file (optional)
Returns
-------
X_train: feature matrix of train set
X_test: target vector of train set
y_train: feature matrix of test set
y_test: target vector of train set
"""
## load data
data = pd.read_csv(dataset, sep = sep)
## features - target - split
X = data.drop(target, axis=1)
y = data[target]
## train - test - split
from sklearn.model_selection import train_test_split
return train_test_split(
X,
y,
train_size=train_ratio,
random_state=seed)
def prep_demo_data(dataset, target):
""" read demo data from the current directory
performs
read data
features - target - split
Parameters
----------
dataset: name of dataset in csv format, ',' separated
target: name of target column
Returns
-------
X: feature matrix
y: target vector
"""
## load data
data = pd.read_csv(dataset)
## features - target - split
X = data.drop(target, axis=1)
y = data[target]
return X, y
def inspect_decision_tree_model(model_def, features, target, figsize=(6, 6)):
""" train a DecisionTreeClassifier and visualize the tree
prints some motel attributes from within the function
Parameters
----------
model_def: DecisionTreeClassifier object with set parameters
features: feature matrix
target: target vector
figsize: size of image, optional, default = (6, 6)
Returns
-------
visualization of the trained tree
prints model attributes
"""
from sklearn.tree import plot_tree
model = model_def
model.fit(features, target)
print('TREE DIAGNOSTICS:')
print('depth :', model.get_depth())
print('leaves :', model.get_n_leaves())
print('score :', model.score(features, target))
plt.figure(figsize=figsize)
plot_tree(model,
feature_names=features.columns,
class_names=model.classes_,
filled=True);
def test_regression_model(model, X_train, y_train, X_test, y_test, show_plot=True):
""" shows behavoiur of univariate ML regression on synthetic dataset
performs
- training on train data
- prediction on test data
- calculate performance measures
Parameters
----------
model: a parametrized regression model
X_train, y_train: train data
X_test, y_test: test data
show_plot: show scatterplot ov pred vs true, optional, default=True
Returns
-------
shows a scatterplot von X_test vs X_pred with a diagonal line, indicating identity
prints r2_score and mean_squared_error
"""
from sklearn.metrics import r2_score
from sklearn.metrics import mean_squared_error
model = model
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print('R2 = %0.4f' %(r2_score(y_test, y_pred)))
if show_plot == True:
plt.figure(figsize=(6,6))
ax = sns.scatterplot(x=y_test, y=y_pred)
ax.set(xlabel='y_test', ylabel='y_pred')
ls = np.linspace(min(y_test), max(y_test), 100)
plt.plot(ls, ls, color='black', linestyle='dashed')
ax.set_title(model.__class__.__name__)
plt.show()
return (model)
def show_pred_on_synth(model, X, y, X_synth, param_str):
""" shows behavoiur of univariate ML regression on synthetic dataset
Parameters
----------
model: a parametrized regression model
X, y: data for univariate regression
X_synth: synthetic Feature
param_str: parameter description for title
seed (None): random seet for split
Returns
-------
a scatterplot von X, y, with the prediction values for X_synth
"""
model.fit(X.to_numpy(), y)
y_pred = model.predict(X_synth)
ax = sns.scatterplot(x=X['X'], y=y)
ax = sns.lineplot(x=X_synth[:,0], y=y_pred, color='orange')
ax.set_title(model.__class__.__name__ + ' : ' + param_str)
ax.set(xlabel='X', ylabel='y')
plt.show()
@@ -0,0 +1,72 @@
"""
Workshop 13 — Stabilitätsvergleich von Klassifikatoren mittels Kreuzvalidierung.
Aufgabe (Folie 12): vergleiche alle bisher bekannten Klassifikatoren bzgl. ihrer
Stabilität unter Kreuzvalidierung.
- Default-Parametrisierung
- sklearn.model_selection.cross_val_score
"""
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib
matplotlib.use("Agg") # headless: Plot in Datei statt Fenster
import matplotlib.pyplot as plt
from sklearn.model_selection import cross_val_score
# Klassifikatoren — TODO: an "alle bisher bekannten" anpassen (im Kurs behandelte)
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
# from sklearn.linear_model import LogisticRegression
# from sklearn.neighbors import KNeighborsClassifier
# from sklearn.naive_bayes import GaussianNB
# from sklearn.svm import SVC
# ...
# --- Daten laden ---------------------------------------------------------
# wie in den bisherigen Klassifikations-Workshops (z.B. bfh_cas_pml.prep_data
# auf dem Klassifikations-Datensatz in data/).
# Hinweis: cross_val_score splittet selbst -> KEIN manueller Train-Test-Split.
# Übergib X, y (z.B. X_train, y_train aus prep_data).
# TODO: X, y bereitstellen
# --- Klassifikatoren sammeln ---------------------------------------------
# dict {name: estimator} -> sauber iterierbar, alle mit Default-Parametern.
# Frage: welche Estimator sind stochastisch (brauchen random_state für
# Reproduzierbarkeit), welche sind deterministisch? -> nur erstere setzen.
SEED = 1234
classifiers = {
"DecisionTree": DecisionTreeClassifier(random_state=SEED),
"RandomForest": RandomForestClassifier(random_state=SEED),
# TODO: restliche bekannte Klassifikatoren ergänzen (Default-Parameter!)
}
# --- Kreuzvalidierung je Klassifikator -----------------------------------
KFOLD = 10 # default wäre 5; grösser = stabilere Schätzung, mehr Rechenzeit
results = {} # name -> scores-array (ein Score pro Fold)
# TODO: für jeden (name, clf) in classifiers:
# scores = cross_val_score(clf, X, y, cv=KFOLD)
# results[name] = scores
# --- Auswertung: mean & std ----------------------------------------------
# Stabilität = Streuung der Fold-Scores. Kleine std => stabil (vgl. Notizen).
# TODO: pro Klassifikator mean und std berechnen,
# z.B. als DataFrame, aufsteigend nach std sortiert (stabilste zuerst).
# --- Visualisierung -------------------------------------------------------
# Boxplot pro Klassifikator nebeneinander -> Streuung direkt vergleichbar.
# Tipp: results in ein "long format" bringen (Spalten: classifier, score),
# dann sns.boxplot(data=df, x="classifier", y="score").
# TODO: Boxplot erstellen und mit plt.savefig("stability_boxplot.png") speichern.
if __name__ == "__main__":
pass # TODO: Ablauf aufrufen / Ergebnisse ausgeben