From 622b8916dc6b9ffb0c3ff4384a5880a69ce41a5e Mon Sep 17 00:00:00 2001
From: KueblerPatr <Patrick.Kuebler@Student.Reutlingen-University.DE>
Date: Wed, 3 Jul 2024 19:12:42 +0200
Subject: [PATCH] Final Tag Positions

---
 .../notebook.ipynb                            | 244 +++++++++---------
 1 file changed, 122 insertions(+), 122 deletions(-)

diff --git a/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb b/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb
index 6c3462f..67c4688 100644
--- a/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb	
+++ b/Success Predicition/Prediction of Successful or Failed Startups/notebook.ipynb	
@@ -65,6 +65,128 @@
     "Der zusammengeführte Datensatz enthält Branchentrends, Erkenntnisse über Investitionen und Informationen über einzelne Unternehmen. Es gibt 48 Spalten und 922 Zeilen. Wird ein Startup von einer anderen Organisation übernommen, bedeutet dies, dass das Startup erfolgreich ist. In dem vorhandenen Datensatz finden wir auch 3 verschiedene Datentypen wie inter, object und float."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "# 3. Datavorbereitung"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "datenvorbereitung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "datenvorbereitung"
+    ]
+   },
+   "source": [
+    "Zunächst werden alle Ausreißer Punkte, welche durch IQR-Tests erkannt werden, mit fehlenden Punkten ergänzt. Danach wird nach Nullwerten gesucht, welche danach entfernt werden. Ebenfalls werden alle Attribute des Datensatzes die keinen Mehrwert bieten oder nicht signifikant sind entfernt."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": false,
+    "paragraph": "datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "# 4. Datenmodell"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "datenmodell"
+    ]
+   },
+   "source": [
+    "Es werden vier unterschiedliche Modelle verwendet, welche aus SVC, RandomForest, ExtraTrees und der GradientBoosting-Klassifikatoren bestehen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "# 5. Evaluation"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "evaluation"
+    ]
+   },
+   "source": [
+    "Für die Bewertung der Qualität einer Klassifikation werden die Metriken voting score (wählen) und stacking score (stapeln) genutzt. Das finale Datenmodell erreicht einen voting score von 0,77 und einen stacking score von 0,78. Somit ist deutlich zu sehen, dass das Stapeln die besten Ergebnisse bei der Klassifizierung liefert. Es kann also durch diesen Service für Investoren und StartUps vorhergesagt werden, ob die Unternehmen erfolgreich sind oder scheitern."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "# 6. Umsetzng "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": [
+     "umsetzung"
+    ]
+   },
+   "source": [
+    "Die Umsetzung bzw. Einbindung des Datenmodells bietet sich in CRM-Systemen an. Durch diesen Service kann für Investoren und StartUps vorhergesagt werden, ob die Unternehmen erfolgreich sind oder scheitern.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {
@@ -922,36 +1044,6 @@
     "print(dataset.isnull().sum())"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "# 3. Datavorbereitung"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "datenvorbereitung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": [
-     "datenvorbereitung"
-    ]
-   },
-   "source": [
-    "Zunächst werden alle Ausreißer Punkte, welche durch IQR-Tests erkannt werden, mit fehlenden Punkten ergänzt. Danach wird nach Nullwerten gesucht, welche danach entfernt werden. Ebenfalls werden alle Attribute des Datensatzes die keinen Mehrwert bieten oder nicht signifikant sind entfernt."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 54,
@@ -1352,38 +1444,6 @@
     "# 4. Modelling and Evaluation\n"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": false,
-    "paragraph": "datenmodell",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "### 4.1 Datenmodell"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "datenmodell",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": [
-     "datenmodell"
-    ]
-   },
-   "source": [
-    "Es werden vier unterschiedliche Modelle verwendet, welche aus SVC, RandomForest, ExtraTrees und der GradientBoosting-Klassifikatoren bestehen."
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 61,
@@ -6957,36 +7017,6 @@
     "g= sns.heatmap(ensemble_results.corr(),annot=True)"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "### 4.2 Evaluation"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "evaluation",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": [
-     "evaluation"
-    ]
-   },
-   "source": [
-    "Für die Bewertung der Qualität einer Klassifikation werden die Metriken voting score (wählen) und stacking score (stapeln) genutzt. Das finale Datenmodell erreicht einen voting score von 0,77 und einen stacking score von 0,78. Somit ist deutlich zu sehen, dass das Stapeln die besten Ergebnisse bei der Klassifizierung liefert. Es kann also durch diesen Service für Investoren und StartUps vorhergesagt werden, ob die Unternehmen erfolgreich sind oder scheitern."
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {
@@ -7122,36 +7152,6 @@
     "Es ist deutlich zu sehen, dass das Stapeln die besten Ergebnisse bei der Klassifizierung liefert"
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "# 5. Umsetzng "
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "umsetzung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": [
-     "umsetzung"
-    ]
-   },
-   "source": [
-    "Die Umsetzung bzw. Einbindung des Datenmodells bietet sich in CRM-Systemen an. Durch diesen Service kann für Investoren und StartUps vorhergesagt werden, ob die Unternehmen erfolgreich sind oder scheitern.\n"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": null,
-- 
GitLab