Icon

Titanic_​183_​Phase_​5_​Evaluation_​NB

Titanic: Phase 5 (Evaluation) Feature Selection Naive Bayes v7 v8

URL: Data Science Training - Kapitel 18 https://data-science.training/kapitel-18/

Vergleich Kapitel 7v4: FE II (Boolean)Genauigkeit: 74,64 %Präzision: 63,27 %F-Maß: 70,06 %AURC: 79,73 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Real World Testv8 mit 3 FeaturesGenauigkeit: 75,84 %Präzision: 67,07 %F-Maß: 68,92 %AURC: 76,30 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891FamilySize, 2_Pclass,Mr_Title Vergleich Kapitel 7v5: FE III (Double)Genauigkeit: 71,77 %Präzision: 59,71 %F-Maß: 67,58 %AURC: 79,54 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Real World Testv7 mit 3 FeaturesGenauigkeit: 76,79 %Präzision: 69,18 %F-Maß: 69,40 %AURC: 75,66 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891male_Sex,Large_FamilySizeBinned,Master_Title Real World Testv8 mit 4 FeaturesGenauigkeit: 76,32 %Präzision: 67,46 %F-Maß: 69,72 %AURC: 79,31 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891Mr_Title, FamilySize,3_Pclass, Age Vergleich Kapitel 7v5: FE III (Double)Genauigkeit: 71,77 %Präzision: 59,71 %F-Maß: 67,58 %AURC: 79,54 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Ergebnismale_Sex = Mr_TitleFamilySize =Large_FamilySizeBinnedMaster_Title2_Pclass3_PclassAge Die "unwichtigsten"Features in genau dieserReihenfolge sind:VeryHigh_FareBinnedChild2_PclassKnownCabinMedium_FareBinnedHigh_FareBinnedQ_EmbarkedRare_TitleS_EmbarkedLow_FareBinnedMrs_TitleMiss_Title3_PclassNo_FamilySizeBinnedMaster_TitleLarge_FamilySizeBinnedmale_Sex Die "unwichtigsten"Features in genau dieserReihenfolge sind:KnownCabinQ_EmbarkedRare_TitleAge3_Pclass1_PclassS_Embarked2_PclassC_EmbarkedMr_TitleLogFareFamilySizeMaster_TitleMiss_TitleMrs_Title Vorschlag Daten v9Mr_TitleMaster_TitleMiss_TitleMrs_TitleFamilySize2_Pclass3_PclassAgeLogFareTicketCount (Neu)=> 10 Features 4 SpaltenTestdaten(v7) lesenSurvivedAbgabedatei(nb v7)PrognoseModell(v7) lesenPrognoseTestdaten(v8) lesenSurvivedAbgabedatei(nb v8a)Modell(v8a) lesen4 SpaltenPassengerId,Survived,ProbN, ProbPPassengerId,Survived,ProbN, ProbPPassengerId,Survived,ProbN, ProbPTestdaten(v8) lesenSurvivedAbgabedatei(nb v8b)Modell(v8b) lesen4 SpaltenPrognoseSurvived,ProbN, ProbPSurvived,ProbN, ProbPSurvived,ProbN, ProbP Column Filter Excel Reader String to Number CSV Writer Naive BayesPredictor PMML Reader Naive BayesPredictor Excel Reader String to Number CSV Writer PMML Reader Column Filter Column Resorter Column Resorter Column Resorter Excel Reader String to Number CSV Writer PMML Reader Column Filter Naive BayesPredictor Column Renamer Column Renamer Column Renamer Vergleich Kapitel 7v4: FE II (Boolean)Genauigkeit: 74,64 %Präzision: 63,27 %F-Maß: 70,06 %AURC: 79,73 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Real World Testv8 mit 3 FeaturesGenauigkeit: 75,84 %Präzision: 67,07 %F-Maß: 68,92 %AURC: 76,30 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891FamilySize, 2_Pclass,Mr_Title Vergleich Kapitel 7v5: FE III (Double)Genauigkeit: 71,77 %Präzision: 59,71 %F-Maß: 67,58 %AURC: 79,54 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Real World Testv7 mit 3 FeaturesGenauigkeit: 76,79 %Präzision: 69,18 %F-Maß: 69,40 %AURC: 75,66 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891male_Sex,Large_FamilySizeBinned,Master_Title Real World Testv8 mit 4 FeaturesGenauigkeit: 76,32 %Präzision: 67,46 %F-Maß: 69,72 %AURC: 79,31 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891Mr_Title, FamilySize,3_Pclass, Age Vergleich Kapitel 7v5: FE III (Double)Genauigkeit: 71,77 %Präzision: 59,71 %F-Maß: 67,58 %AURC: 79,54 %Statistik: # DatensätzeBewertung: 418Modellbildung: 891 Ergebnismale_Sex = Mr_TitleFamilySize =Large_FamilySizeBinnedMaster_Title2_Pclass3_PclassAge Die "unwichtigsten"Features in genau dieserReihenfolge sind:VeryHigh_FareBinnedChild2_PclassKnownCabinMedium_FareBinnedHigh_FareBinnedQ_EmbarkedRare_TitleS_EmbarkedLow_FareBinnedMrs_TitleMiss_Title3_PclassNo_FamilySizeBinnedMaster_TitleLarge_FamilySizeBinnedmale_Sex Die "unwichtigsten"Features in genau dieserReihenfolge sind:KnownCabinQ_EmbarkedRare_TitleAge3_Pclass1_PclassS_Embarked2_PclassC_EmbarkedMr_TitleLogFareFamilySizeMaster_TitleMiss_TitleMrs_Title Vorschlag Daten v9Mr_TitleMaster_TitleMiss_TitleMrs_TitleFamilySize2_Pclass3_PclassAgeLogFareTicketCount (Neu)=> 10 Features 4 SpaltenTestdaten(v7) lesenSurvivedAbgabedatei(nb v7)PrognoseModell(v7) lesenPrognoseTestdaten(v8) lesenSurvivedAbgabedatei(nb v8a)Modell(v8a) lesen4 SpaltenPassengerId,Survived,ProbN, ProbPPassengerId,Survived,ProbN, ProbPPassengerId,Survived,ProbN, ProbPTestdaten(v8) lesenSurvivedAbgabedatei(nb v8b)Modell(v8b) lesen4 SpaltenPrognoseSurvived,ProbN, ProbPSurvived,ProbN, ProbPSurvived,ProbN, ProbPColumn Filter Excel Reader String to Number CSV Writer Naive BayesPredictor PMML Reader Naive BayesPredictor Excel Reader String to Number CSV Writer PMML Reader Column Filter Column Resorter Column Resorter Column Resorter Excel Reader String to Number CSV Writer PMML Reader Column Filter Naive BayesPredictor Column Renamer Column Renamer Column Renamer

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: Karl
Created at: 2022-06-27
On NodePit since: 2025-01-13
Last update: 2025-08-02
Created with KNIME version: v5.4.0
Tags: TitanicPhase 5EvaluationFeature SelectionNaive BayesNBv7v8

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!