Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com15. Mai 2021 · Q010417

A Simple Guide to Scikit-Learn — Building a Machine Learning Model in Python

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht zeigt, wie der Autor IMDB-Rezensionen ausbalanciert, mit TF-IDF in Zahlenvektoren umwandelt und vier Klassifikationsmodelle vergleicht. Die SVM erzielt laut Bericht mit 0,84 die höchste Genauigkeit; eine Grid Search findet C=1 und einen linearen Kernel, doch eine Testbewertung dieser optimierten Variante wird nicht angegeben.

Mittel

Der Beitrag führt anhand von IMDB-Filmkritiken in die Textklassifikation mit scikit-learn ein. Der Autor nimmt aus einem Datensatz mit 50.000 Rezensionen eine Stichprobe aus 9.000 positiven und 1.000 negativen Kritiken, gleicht sie durch Unterabtastung auf je 1.000 Beispiele aus und teilt sie in Trainings- und Testdaten. Er erläutert Bag of Words sowie CountVectorizer und TF-IDF und verwendet TF-IDF mit entfernten englischen Stoppwörtern, um Texte in numerische Merkmale umzuwandeln.

Verglichen werden SVM, Entscheidungsbaum, Gaussian Naive Bayes und logistische Regression. Die berichteten Genauigkeiten lauten 0,84, 0,64, 0,63 und 0,83; für die SVM werden außerdem F1-Werte von 0,84 und 0,83 für die beiden Klassen sowie eine Konfusionsmatrix angegeben. Eine fünffache Grid Search ergibt laut Autor C=1 und einen linearen Kernel. Der Beitrag konzentriert sich auf Code statt auf die Theorie der Modelle. Die Ergebnisse gelten für die beschriebene Stichprobe; eine Testbewertung des optimierten Modells wird nicht gezeigt.

Ausführlich lesen

Der Bericht ist eine praktische Einführung in scikit-learn anhand einer binären Textklassifikation: Ein Modell soll anhand einer IMDB-Filmkritik vorhersagen, ob sie positiv oder negativ ist. Der Autor beschreibt scikit-learn als Python-Bibliothek mit Verfahren für überwachtes und unüberwachtes Lernen. Für das Beispiel verwendet er einen Kaggle-Datensatz mit 50.000 Rezensionen und den Spalten „review“ und „sentiment“.

Um das Training zu beschleunigen, bildet der Autor eine Stichprobe aus 9.000 positiven und 1.000 negativen Kritiken. Weil diese Auswahl unausgewogen ist, gleicht er die Klassen mit `RandomUnderSampler` aus: Die positiven Rezensionen werden auf 1.000 reduziert, sodass je 1.000 Beispiele pro Klasse verbleiben. Als Alternative zeigt er eine manuelle Zufallsauswahl. Anschließend teilt er die Daten mit `train_test_split` in 67 Prozent Trainings- und 33 Prozent Testdaten.

Für die Umwandlung des Textes in Zahlen erläutert der Beitrag Bag of Words und stellt `CountVectorizer` dem TF-IDF-Verfahren gegenüber. Der Autor wählt TF-IDF, entfernt englische Stoppwörter und passt den Vektorisierer nur an den Trainingsdaten an; die Testdaten werden mit denselben Parametern transformiert. So entstehen laut Bericht für das Training 1.340 Rezensionen und ein spärlich besetzter Merkmalsraum mit 20.625 Wörtern.

Da Rezensionen und Stimmungslabels vorliegen, ordnet der Autor die Aufgabe dem überwachten Lernen und genauer der Klassifikation zu. Er trainiert vier Modelle: lineare Support Vector Machines (SVM), Entscheidungsbaum, Gaussian Naive Bayes und logistische Regression. Die berichteten Genauigkeiten auf dem Testdatensatz betragen 0,84 für SVM, 0,64 für den Entscheidungsbaum, 0,63 für Naive Bayes und 0,83 für logistische Regression. Der Beitrag bewertet SVM damit knapp am besten und betrachtet anschließend nur dieses Modell näher. Für die SVM nennt er klassenbezogene F1-Werte von 0,84 für positive und 0,83 für negative Kritiken. Der Klassifikationsbericht weist insgesamt 0,84 Genauigkeit aus; die Konfusionsmatrix lautet [[290, 45], [60, 265]].

Zum Schluss beschreibt der Autor `GridSearchCV` mit fünffacher Kreuzvalidierung und einer Suche über ausgewählte C-Werte und lineare beziehungsweise RBF-Kernel. Als beste Kombination berichtet er C=1 und einen linearen Kernel. Der Beitrag ist ausdrücklich auf Code und Modellvergleich ausgerichtet; die Theorie der einzelnen Algorithmen bleibt der eigenen Recherche überlassen. Die präsentierten Ergebnisse beziehen sich auf die beschriebene, ausgeglichene Stichprobe und die gewählten Einstellungen. Eine Bewertung der per Grid Search gefundenen Variante auf dem Testdatensatz wird nicht berichtet.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen; beide wurden geprüft. Die mittlere ist treu, die kurze lässt zentrale Angaben aus. Die Einordnung betrifft nur die beiden Sammelfragen, Teilfragen gab es keine.

Im Bericht, aber nicht in der Zusammenfassung

  • Kurzfassung: die unausgewogene Stichprobe mit 9000 positiven zu 1000 negativen Rezensionen und die Genauigkeiten der übrigen Modelle fehlen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 55 %einzelne zitierbare Belege
    • JEV 34 %beantwortet teilweise oder widerspricht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →