Nick Grebe - Netscape Compatible
NG Nick Grebe Data Science & AI Student | Machine Learning Engineer
Besucher 000420
+++ Nick Grebe online +++ Data Science & AI in Maastricht +++ Geo AI, Edge ML, Statistik & gute Musik +++

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.

Regression

Linear Regression

Schätzt die Weinqualität als Zahl zwischen 0 und 10.

Ziel
quality

Vorhersage

4.24 / 10 Absoluter Fehler: 0.76

Live Training

Final model: cached ridge weights
Epoche
5
Selected features
11
Fortschritt
100%

Loss Split 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 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

Live Training

Epoch 900: optimize weights
Epoche
900
Validation F1
0.538
Fortschritt
100%

Loss Split 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 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

Live Training

Final model: cached CART rules
Epoche
9
Validation F1
0.583
Fortschritt
100%

Loss Split Finales Modell: Balanced accuracy 0.775

  1. alcohol > 10.45
  2. sulphates > 0.635
  3. alcohol > 11.15
  4. alcohol > 11.65
FN
12
FP
18
TN
189
TP
21

Metriken

Test Accuracy 86% Test F1 0.51 Balanced Acc 70%

Baumregeln

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

Regelpfad

  1. alcohol <= 10.45
  2. fixed_acidity <= 11.45
  3. sulphates <= 0.595
  4. citric_acid > 0.025

Konfusionsmatrix

FN
20
FP
14
TN
188
TP
18