cas-pml/SL/aufgaben/template/4_WS/WS 07 Vorlage.ipynb

WS 10 Klassifikation - Modellvergleiche

• vergleichen Sie alle bis jetzt vorgestellten Klassifikatoren miteinander in Bezug auf

  • Performance
  • Rechenzeiten, differenziert nach .fit() und .predict()
    und visualisieren Sie die Ergebnisse

• Tipp: modifizieren / ergänzen Sie dazu den abgegebenen Code von Kapitel 2.2.6 Modellvergleiche

• optional: fügen Sie andere, im Kurs nicht behandelte Klassifikatoren dazu, welche Sie in der Dokumentation von scikit-learn finden

• optional: falls Sie im Rahmen von Feaure Engineering alternatives Preprocessing erarbeitet haben, können Sie die Auswirkungen desselben jetzt auch noch einbeziehen

• optional: wie wirkt sich Skalierung (z.B. mit StandardScaler) auf die Performance von MLPClassifier aus?

In [3]:

## prepare env, read and prepare data
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

codepath = '../2_code' ## for import of user defined module
datapath = '../3_data'
from sys import path; path.insert(1, codepath)
from os import chdir; chdir(datapath)

from bfh_cas_pml import prep_data
X_train, X_test, y_train, y_test = prep_data('bank_data_prep.csv', target='y', seed=1234)

In [4]:

## Funktionen (Klassen) importieren
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
## tbd ergänzen



from sklearn.metrics import accuracy_score
import time  ## für Zeitmessung

In [5]:

## Modelle definieren und in Liste hinterlegen
models = [
    KNeighborsClassifier(),
    DecisionTreeClassifier(min_impurity_decrease=0.002),
    RandomForestClassifier(n_estimators=100)
    ## tbd ergänzen
    
    
    
]

In [6]:

## zum Sammeln der Resultate
scores = []
times_fit = []
times_pred = []
model_names = []

#print('Classifier                          Score      Time fit    Time pred')
#print('====================================================================')

## Loop
for model in models:
    print(model)
    ## tbd
    
    ##   start timer1 - fit - stop timer1
    
    
    ##   start timer2 - predict - stop timer2
    
    
    ##   berechne Score & pick Modellname
    
    
    ##   Ergebnisse an vorbereitete Listen anhängen
    
    
    ##   Iterationsergebnisse in Konsole ausgeben (optional)

    

KNeighborsClassifier()
DecisionTreeClassifier(min_impurity_decrease=0.002)
RandomForestClassifier()

In [7]:

## visualisieren
## tbd ergänzen

Fazit:

• tbd