goellnaduale/Leistungsnachweis-2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

svm_modell.py aktualisiert

Browse Source
This commit is contained in:
Adu Alex Göllnitz 2025-11-19 15:41:28 +01:00
parent 3d2b6f208e
commit b15301a2b2
1 changed files with 200 additions and 203 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

15
svm_modell.py
View File

@ -16,8 +16,6 @@ warnings.filterwarnings('ignore')
def load_and_preprocess_data(): def load_and_preprocess_data():
# Lädt und bereitet die Daten aus verschiedenen CSV-Dateien vor
# CSV-Dateien laden # CSV-Dateien laden
activities = pd.read_csv("Activities_rohdaten.csv", sep=None, engine="python") activities = pd.read_csv("Activities_rohdaten.csv", sep=None, engine="python")
@ -28,7 +26,6 @@ def load_and_preprocess_data():
df.columns = df.columns.str.strip() df.columns = df.columns.str.strip()
# Sportarten für binäre Klassifikation definieren # Sportarten für binäre Klassifikation definieren
# Wir klassifizieren zwischen 'Ausdauersport' und 'Kraftsport' # Wir klassifizieren zwischen 'Ausdauersport' und 'Kraftsport'
endurance_sports = ['Laufen', 'Rennradfahren', 'Schwimmen', 'Radfahren'] endurance_sports = ['Laufen', 'Rennradfahren', 'Schwimmen', 'Radfahren']
strength_sports = ['Krafttraining'] strength_sports = ['Krafttraining']
@ -41,7 +38,7 @@ def load_and_preprocess_data():
# Nur gültige Kategorien behalten # Nur gültige Kategorien behalten
df = df[df['sport_category'] != -1] df = df[df['sport_category'] != -1]
# Features auswählen, die für die Klassifikation relevant sind # Features auswählen:
numeric_features = ['Distanz', 'Kalorien', 'Ø Herzfrequenz', 'Maximale Herzfrequenz', 'Aerober TE', 'Training Stress Score®'] numeric_features = ['Distanz', 'Kalorien', 'Ø Herzfrequenz', 'Maximale Herzfrequenz', 'Aerober TE', 'Training Stress Score®']
# Nur verfügbare numerische Features auswählen # Nur verfügbare numerische Features auswählen
@ -173,22 +170,22 @@ def main():
print("Starte SVM-Modell für Sportarten-Klassifikation...") print("Starte SVM-Modell für Sportarten-Klassifikation...")
try: try:
# 1. Daten laden und vorverarbeiten # Daten laden und vorverarbeiten
df, features = load_and_preprocess_data() df, features = load_and_preprocess_data()
print(f"Daten geladen: {df.shape[0]} Datensätze, {len(features)} Features") print(f"Daten geladen: {df.shape[0]} Datensätze, {len(features)} Features")
print(f"Verteilung der Sportarten: {df['sport_category'].value_counts().to_dict()}") print(f"Verteilung der Sportarten: {df['sport_category'].value_counts().to_dict()}")
# 2. Feature Engineering # Feature Engineering
X, y, feature_names, imputer = feature_engineering(df, features) X, y, feature_names, imputer = feature_engineering(df, features)
print(f"Feature Engineering abgeschlossen: {X.shape[1]} Features") print(f"Feature Engineering abgeschlossen: {X.shape[1]} Features")
# 3. SVM-Modell trainieren # SVM-Modell trainieren
model, X_test, y_test, y_pred, best_params, cv_scores, scaler = train_svm_model(X, y) model, X_test, y_test, y_pred, best_params, cv_scores, scaler = train_svm_model(X, y)
# 4. Modell evaluieren # Modell evaluieren
accuracy = evaluate_model(y_test, y_pred, cv_scores, best_params) accuracy = evaluate_model(y_test, y_pred, cv_scores, best_params)
# 5. Feature-Analyse # Feature-Analyse
feature_importance_analysis(model, X_test, feature_names) feature_importance_analysis(model, X_test, feature_names)
print(f"\nModell erfolgreich trainiert mit Genauigkeit: {accuracy:.4f}") print(f"\nModell erfolgreich trainiert mit Genauigkeit: {accuracy:.4f}")