svm_modell.py aktualisiert

svm_modell.py

@@ -16,8 +16,6 @@ warnings.filterwarnings('ignore')
 
 def load_and_preprocess_data():
   
-    # Lädt und bereitet die Daten aus verschiedenen CSV-Dateien vor
-   
     # CSV-Dateien laden
     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()
     
     # Sportarten für binäre Klassifikation definieren
-
     # Wir klassifizieren zwischen 'Ausdauersport' und 'Kraftsport'
     endurance_sports = ['Laufen', 'Rennradfahren', 'Schwimmen', 'Radfahren']
     strength_sports = ['Krafttraining']
@@ -41,7 +38,7 @@ def load_and_preprocess_data():
     # Nur gültige Kategorien behalten
     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®']
     
     # Nur verfügbare numerische Features auswählen
@@ -173,22 +170,22 @@ def main():
     print("Starte SVM-Modell für Sportarten-Klassifikation...")
     
     try:
-        # 1. Daten laden und vorverarbeiten
+        # Daten laden und vorverarbeiten
         df, features = load_and_preprocess_data()
         print(f"Daten geladen: {df.shape[0]} Datensätze, {len(features)} Features")
         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)
         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)
         
-        # 4. Modell evaluieren
+        # Modell evaluieren
         accuracy = evaluate_model(y_test, y_pred, cv_scores, best_params)
         
-        # 5. Feature-Analyse
+        # Feature-Analyse
         feature_importance_analysis(model, X_test, feature_names)
         
         print(f"\nModell erfolgreich trainiert mit Genauigkeit: {accuracy:.4f}")