Aus dem Kurs: Power BI mit Python
Erhalten Sie Zugriff auf diesen Kurs – mit einer kostenlosen Probeversion
Werden Sie noch heute Mitglied und erhalten Sie Zugriff auf mehr als 24.600 Kurse von Branchenfachleuten.
Vorhersagen in den Bericht laden
Aus dem Kurs: Power BI mit Python
Vorhersagen in den Bericht laden
Sie sehen also das Python-Skript wurde erneut von mir ausgeführt. Es erfolgte eine erneute Aufteilung in Trainings- und Testdaten, was natürlich zu abweichenden Fehlermetriken hier führt. Es hängt also wirklich davon ab, wie die Daten auch aufgeteilt werden in Trainings- und Testdaten. Zum Abschluss sollen also die Ergebnisse in den Power BI Bericht geladen werden. Hier soll also die echte Kundenzufriedenheit mit der vorhergesagten Kundenzufriedenheit verglichen werden. Und auch eine Confusion Matrix soll geplottet werden. Dafür müssen Sie das Python-Skript also nochmals überarbeiten. Zur Bewertung soll also Y_test mit den tatsächlichen Klassen verglichen werden, und zwar mit y_pred. Das sind also die Predictions, und zwar die Prognosen von dem KNN-Modell. Außerdem können Sie auch noch X_test mit aufnehmen. Das sind dann einfach basierend auf dem Testdatensatz die skalierten Inputfeatures. Hier können Sie praktisch starten. Sie können also abschließend eine Tabelle erstellen, und zwar…
Üben mit Projektdateien
Laden Sie die Dateien herunter, die von den Trainer:innen verwendet werden. So können Sie mitlesen und durch Ansehen, Zuhören und Üben lernen.
Inhalt
-
-
-
-
-
-
-
-
(Gesperrt)
Theorie: Klassifikation verstehen – Grundlagen und Nutzen4 Min. 49 Sek.
-
Verteilungsanalyse der Kundenzufriedenheit2 Min. 11 Sek.
-
(Gesperrt)
Korrelationsmatrix plotten und Zusammenhänge analysieren3 Min. 40 Sek.
-
(Gesperrt)
Klassifikationsmodell erstellen und trainieren5 Min. 28 Sek.
-
(Gesperrt)
Ergebnisse validieren: Modellleistung bewerten4 Min. 21 Sek.
-
(Gesperrt)
Vorhersagen in den Bericht laden3 Min. 53 Sek.
-
(Gesperrt)
Konfusionsmatrix visualisieren und interpretieren4 Min. 15 Sek.
-
(Gesperrt)
Verbesserung der Kundenzufriedenheit und Vorhersage mit Klassifikationsmodellen3 Min. 23 Sek.
-
(Gesperrt)
-
-
-