Merge branch 'improvement_Predicting_mental_illness_for_health_insurance' into 'main'

improvement predicting mental illness for health insurance

See merge request ki_lab/machine-learning-services!33

Insurance/Predicting mental illness for health insurance/Notebook.ipynb → Insurance/Predicting mental illness for health insurance/notebook.ipynb

@@ -11,8 +11,6 @@
     },
     "tags": []
    },
-    "source": ["# Notebook zur Vorhersage von psychischen Erkrankungen für die Krankenversicherung\n",
-   ]
    "source": [
     "# 1. Business Understanding\n",
     "Das weltweit agierende Versicherungsunternehmen New York Life Insurance Company\n",
@@ -1908,7 +1906,7 @@
     "tags": []
    },
    "source": [
-    "## .5 Clean the data"
+    "## 3.5 Clean the data"
    ]
   },
   {
@@ -10343,13 +10341,30 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
     "slideshow": {
      "slide_type": ""
     },
     "tags": []
    },
    "source": [
-    "Diese Codezeileyen führen einen Decision TreeClassifier-Algorithmus aus, um eine trainierte Datenmenge in X_train und y_train für das Modelling zu verwenden. Der Tree.fit()-Parameter wird verwendet, um ein Model zu trainieren, und dann wird das Modell verwendet, um die trainierten Daten zu testen und ihre Leistung zu melden. Die tree.predict()-Methode wird verwendet, um die Prognose des Modells für die Testdaten zu erhalten. Der Classification_report()-Parameter wird verwendet, um die Leistung des Modells in den trainierten und getesteten Daten anzuzeigen."
+    "Für die Modellerstellung werden der Random Forest, die logistische Regression und der Entscheidungsbaum eingesetzt. Der Random Forest kombiniert mehrere Entscheidungsbäume für robuste Vorhersagen. Die logistische Regression schätzt Wahrscheinlichkeiten, besonders bei binären Klassifikationen. Der Entscheidungsbaum trifft systematisch Entscheidungen basierend auf Attributen. Diese Vielfalt an Modellen ermöglicht eine umfassende Analyse der Daten."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Diese führen einen Decision TreeClassifier-Algorithmus aus, um eine trainierte Datenmenge in X_train und y_train für das Modelling zu verwenden. Der Tree.fit()-Parameter wird verwendet, um ein Model zu trainieren, und dann wird das Modell verwendet, um die trainierten Daten zu testen und ihre Leistung zu melden. Die tree.predict()-Methode wird verwendet, um die Prognose des Modells für die Testdaten zu erhalten. Der Classification_report()-Parameter wird verwendet, um die Leistung des Modells in den trainierten und getesteten Daten anzuzeigen."
    ]
   },
   {
@@ -10779,7 +10794,9 @@
  ],
  "metadata": {
   "branche": "Finanzwirtschaft",
+  "dataSource": "https://www.kaggle.com/osmi/mental-health-in-tech-survey/data",
   "funktion": "Risikomanagement",
+  "repoLink" : https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/tree/main/Insurance/Predicting%20mental%20illness%20for%20health%20insurance?ref_type=heads
   "kernelspec": {
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
@@ -10797,11 +10814,9 @@
    "pygments_lexer": "ipython3",
    "version": "3.9.2"
   },
-   "dataSource": "https://www.kaggle.com/osmi/mental-health-in-tech-survey/data",
-   
   "skipNotebookInDeployment": false,
   "teaser": "Die New York Life Insurance Company, ein globales Versicherungsunternehmen, erwägt eine Erweiterung des Geschäftsmodells, um zukünftig nicht nur körperliche, sondern auch psychische Erkrankungen zu versichern.",
-  "title": "Predicting mental illness for health insurance"
+  "title": "Notebook zur Vorhersage von psychischen Erkrankungen für die Krankenkasse"
  },
  "nbformat": 4,
  "nbformat_minor": 4