Übungen

Code in Englisch, Prosa/Antworten Deutsch. Lösungen: loesungen.md.

Aufgabe 1 – Pipeline-Leakage demonstrieren

Passe den TfidfVectorizer einmal außerhalb der Pipeline auf dem gesamten Datensatz an (.fit_transform(texts, y)), dann innerhalb. Vergleiche die Kreuzvalidierungs-AUC beider Varianten und erkläre den Unterschied.

Aufgabe 2 – N-Gramme und Stoppwörter

Ändere ngram_range auf (1, 1) (nur Unigramme). Wie verändert sich die Test-AUC? Welche klinischen Wortmuster gehen dabei verloren?

Aufgabe 3 – Tokens interpretieren

Gib die 10 Tokens mit dem positivsten und die 10 mit dem negativsten Koeffizienten aus. Welche erscheinen klinisch plausibel? Welche überraschen?

Aufgabe 4 – Schwelle klinisch wählen

Wähle eine Schwelle, bei der die Sensitivität für Verschlechterung mindestens 0,80 beträgt. Wie verändert sich die Spezifität? Wann wäre dieser Kompromiss klinisch gerechtfertigt?

Bonus – Regularisierung

Teste C in [0.01, 0.1, 1, 10] mit GridSearchCV (cv=5, scoring="roc_auc"). Welches C liefert die beste CV-AUC? Erkläre, was starke Regularisierung (kleines C) mit seltenen, stark assoziierten Tokens macht.