Machine learning

Offen

#2 erstellt am 05.9.2025 0 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen

Dieses Issue hat noch niemand übernommen.

Bewertung

Schwierigkeit: 5/5
Geschätzter Aufwand: Über eine Woche
Anfängerfreundlichkeit: 15/100

Issue-Typ: Feature
Klarheit: Muss geklärt werden
Aktivitätsstatus: Veraltet
Tech-Stack: pandas, python, scikit-learn
Bereich: machine-learning

Rechercherichtung

Der Inhalt enthält nur ein Inline-Python-Beispiel mit spam.csv, pandas, TfidfVectorizer und MultinomialNB; er nennt keine Datei, keinen Test und keine gewünschte Änderung im Repository. Beginne damit zu prüfen, wie dieses Repository Implementierungen für maschinelles Lernen organisiert, und kläre vor Beginn der Arbeit den vorgesehenen Datensatz, den Modellumfang und das Evaluationsziel.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Beschreibung

Step 1: Import libraries

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

Step 2: Load dataset

Example: SMS Spam Collection dataset (you can download as spam.csv)

data = pd.read_csv("spam.csv", encoding="latin-1")[["v1", "v2"]]
data.columns = ["label", "message"]

Step 3: Encode labels (ham = 0, spam = 1)

data["label"] = data["label"].map({"ham": 0, "spam": 1})

Step 4: Split dataset

X_train, X_test, y_train, y_test = train_test_split(
data["message"], data["label"], test_size=0.2, random_state=42
)

Step 5: Convert text to numerical features using TF-IDF

vectorizer = TfidfVectorizer(stop_words="english")
X_train_tfidf = vectorizer.fit_transform(X_train)
X_test_tfidf = vectorizer.transform(X_test)

Step 6: Train model (Naive Bayes)

model = MultinomialNB()
model.fit(X_train_tfidf, y_train)

Step 7: Predict

y_pred = model.predict(X_test_tfidf)

Step 8: Evaluate

print("✅ Accuracy:", accuracy_score(y_test, y_pred))
print("\nConfusion Matrix:\n", confusion_matrix(y_test, y_pred))
print("\nClassification Report:\n", classification_report(y_test, y_pred))

Vorherrschende Sprache: Jupyter Notebook
Sterne: 17
Forks: 14
PR-Merge-Kennzahlen: Keine gemergten PRs in 30 T.

Entwicklungsumgebung

Dieses Projekt bietet weder Dev-Container noch Dockerfile noch Beitragsleitfaden – die Einrichtung liegt bei Ihnen. Beginnen Sie mit der README; die allgemeinen Schritte stehen in unserem Leitfaden für den ersten Beitrag.

Erste Schritte

Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
Forken Sie das Repository und arbeiten Sie in einem Branch.
Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.

Mehr aus AIAnytime/Machine-Learning-Models-Implementation

ML models implementation
Offen
- Stimmt etwas nicht?
Schwierigkeit 5/5 Über eine Woche Anfängerfreundlichkeit 10/100

AIAnytime/Machine-Learning-Models-Implementation#1 · 1 Kommentar · Erstellt am 17.8.2025

Alle Issues in AIAnytime/Machine-Learning-Models-Implementation

Machine learning

Stimmt etwas nicht?

Bewertung

Rechercherichtung

Beschreibung

Step 1: Import libraries

Step 2: Load dataset

Example: SMS Spam Collection dataset (you can download as spam.csv)

Step 3: Encode labels (ham = 0, spam = 1)

Step 4: Split dataset

Step 5: Convert text to numerical features using TF-IDF

Step 6: Train model (Naive Bayes)

Step 7: Predict

Step 8: Evaluate

Entwicklungsumgebung

Erste Schritte

Mehr aus AIAnytime/Machine-Learning-Models-Implementation

Stimmt etwas nicht?

Ähnliche Issues

Stimmt etwas nicht?

Stimmt etwas nicht?

Stimmt etwas nicht?

Stimmt etwas nicht?

Stimmt etwas nicht?

Neue Issues direkt in Ihr Postfach