ML-Demo-Labor

Machine Learning

Drei kleine Modelle auf einem echten Datenauszug.

Diese Seite zeigt Machine Learning bewusst klein: die UCI-Wine-Quality-Daten, ein gecachtes Trainingsartefakt und sofortige Vorhersagen ohne Training zur Laufzeit. Die Buttons spielen gespeicherte Checkpoints ab; im Browser wird kein Modell gefittet.

dataset.csv

Datensatz

UCI Wine Quality

Holdout test split

Vollständiger UCI-Rotwein-Datensatz mit 1599 Zeilen und 11 chemischen Merkmalen. Die sichtbaren Beispiele kommen aus dem Holdout-Test-Split; für Klassifikation gilt quality >= 7 als gut.

Zeilen: 24
Variante: red
Lizenz: CC BY 4.0
Split: Holdout test split
Training: 1119
Validierung: 240
Test: 240

Datenzeile

Tatsächliche Qualität: 5 / 10
Tatsächliche Klasse: standard

Merkmalwerte

fixed acidity 7.3
volatile acidity 1.07
citric acid 0.09
residual sugar 1.7
chlorides 0.178
free sulfur dioxide 10
total sulfur dioxide 89
density 0.9962
pH 3.3
sulphates 0.57
alcohol 9

Quelle und Attribution

Cortez, Cerdeira, Almeida, Matos, and Reis, 2009.

UCI Machine Learning Repository winequality-red.csv

Regression

Linear Regression

Schätzt die Weinqualität als Zahl zwischen 0 und 10.

Ziel: quality

Vorhersage

4.24 / 10 Absoluter Fehler: 0.76

Gecachter Trainings-Replay

Final model: cached ridge weights

Checkpoint: 5
Selected features: 11
Fortschritt: 100%

Gespeicherte Metriken Kein Browser-Training Finales Modell: Standardized on train split 11

fixed acidity +0.08
volatile acidity -0.21
citric acid -0.06
residual sugar +0.03
chlorides -0.11
free sulfur dioxide +0.04
total sulfur dioxide -0.1
density -0.08
pH -0.06
sulphates +0.18
alcohol +0.26

Metriken

Test Accuracy 85% Test F1 0.42 Test Recall 34% Test Precision 54% Balanced Acc 64% Accuracy +/-1 90% Test MAE 0.51

Merkmalgewichte

fixed acidity +0.08
volatile acidity -0.21
citric acid -0.06
residual sugar +0.03
chlorides -0.11
free sulfur dioxide +0.04
total sulfur dioxide -0.1
density -0.08
pH -0.06
sulphates +0.18
alcohol +0.26

Klassifikation

Logistic Regression

Schätzt, ob eine Datenzeile zur Klasse gut gehört.

Ziel: quality >= 7

Vorhersage

0% standard Wahrscheinlichkeit gut: 0.003

Gecachter Trainings-Replay

Cached epoch 900 checkpoint

Checkpoint: 900
Validation F1: 0.538
Fortschritt: 100%

Gespeicherte Metriken Kein Browser-Training Finales Modell: Validation accuracy 0.8

fixed acidity +0.5
volatile acidity -0.43
citric acid +0.02
residual sugar +0.37
chlorides -0.39
free sulfur dioxide +0.07
total sulfur dioxide -0.47
density -0.45
pH -0.007
sulphates +0.71
alcohol +1.04

Metriken

Test Accuracy 85% Test F1 0.41 Test Recall 32% Test Precision 57% Balanced Acc 64%

Merkmalgewichte

fixed acidity +0.5
volatile acidity -0.43
citric acid +0.02
residual sugar +0.37
chlorides -0.39
free sulfur dioxide +0.07
total sulfur dioxide -0.47
density -0.45
pH -0.007
sulphates +0.71
alcohol +1.04

Konfusionsmatrix

FN: 26
FP: 9
TN: 193
TP: 12

Klassifikation

Decision Tree

Zeigt einen kleinen, nachvollziehbaren Regelpfad.

Ziel: quality >= 7

Vorhersage

5 / 10 -> standard Regelpfad

Gecachter Trainings-Replay

Final model: cached CART rules

Checkpoint: 9
Validation F1: 0.583
Fortschritt: 100%

Gespeicherte Metriken Kein Browser-Training Finales Modell: Balanced accuracy 0.775

alcohol > 10.45
sulphates > 0.635
alcohol > 11.15
alcohol > 11.65

FN: 12
FP: 18
TN: 189
TP: 21

Metriken

Test Accuracy 86% Test F1 0.51 Test Recall 47% Test Precision 56% Balanced Acc 70%

Baumregeln

alcohol > 10.45
sulphates > 0.635
alcohol > 11.15
alcohol > 11.65

Regelpfad

alcohol <= 10.45
fixed_acidity <= 11.45
sulphates <= 0.595
citric_acid > 0.025

Konfusionsmatrix

FN: 20
FP: 14
TN: 188
TP: 18