confmatrix doc, added page break before subsections

.gitignore

@@ -17,3 +17,5 @@ X.npy
 Y.npy
 *.pyc
 .vscode/
+/__pychache__/
+python/hf5-test.py

Dokumentation/silas/w2vCNN.tex

+\newpage
 \subsection{Word2Vec-CNN-Modell}
 Ein \noteable{convolutional neural network}, kurz CNN, ist in der Lage, 
 lokale Muster in einer Sequenz zu erlernen und diese später 
@@ -187,7 +188,7 @@ einmal durchläuft. Dieser Generator kann nun in
 Zeile 35 an die Methode \lstinline{evaluate} übergeben werden. 
 Das Evaluieren zeigt das dieses Modell zu $81.44\%$ die Klassen richtig klassifiziert. 
 
-\begin{lstlisting}[caption={CNN - Klassengewichte},label={list:modelCNNWeights}]
+\begin{lstlisting}[caption={CNN - Klassengewichte},label={list:modelCNNWeights},numbers=none]
 Y_train=[]
 gen = hdf5Generator(path + "w2vCNN.hdf5", batchSize, "Test",loop=False)
 for (x,y) in gen:
@@ -197,10 +198,10 @@ count = np.unique(Y_train,return_counts=True)[1]
 cWeight = 1/(count/Y_train.size)
 \end{lstlisting}
 \subsubsection{Konfusionsmatrix}
-Um einen besseren Eindruck über die Stärken und Schwächen des 
+Um einen besseren Eindruck über die Qualität des 
 Netzes zu erhalten, wird auch bei diesem 
 Modell wieder eine Konfusionsmatrix erstellt.
-\begin{lstlisting}[caption={CNN - Konfusionsmatrix},label={list:modelCNNWeights}]
+\begin{lstlisting}[caption={CNN - Konfusionsmatrix},label={list:modelCNNKonf},firstnumber=36]
 from sklearn.metrics import confusion_matrix
 tD = hdf5Generator(path + "w2vCNN.hdf5", batchSize, "Test",loop=False)
 y_pred = np.argmax(modelNN.predict(tD),axis=-1)
@@ -211,6 +212,13 @@ y_test = np.array(y_test).flatten()
 
 confusion_matrix(y_test,y_pred,normalize='true')
 \end{lstlisting}
+Dafür werden die vom Netz vorhergesagten Klassen der Testmenge in dem 
+Vektor \lstinline{y_pred} gespeichert und die tatsächlichen Klassen der Testmenge in dem 
+Vektor \lstinline{y_test}. Beide Vektoren werden der Funktion 
+\lstinline{confusion_matrix} Übergeben, 
+welche die in der Tabelle \ref{tab:conf_w_cnn} dargestellte Konfusionsmatrix 
+zurückliefert.
+
 \begin{table}[ht]
     \def\arraystretch{1.3}
     \begin{center}
@@ -224,4 +232,4 @@ confusion_matrix(y_test,y_pred,normalize='true')
     \label{tab:conf_w_cnn}
     \caption{Konfusionsmatrix mit Klassengewichtung}
 \end{table}
-
+\wip{Tabelle auswerten}

Dokumentation/silas/w2vMean.tex

+\newpage
 \subsection{Mean-Vektor-Klassifikationsmodell}
 %Durchschnittsvektor-Klassifkationsmodell ??
 Das Word2Vec-Modell bildet einen Vektorraum, indem ähnliche Wörter nahe 
@@ -173,7 +174,6 @@ from sklearn.metrics import confusion_matrix
 y_pred = np.argmax(modelNN.predict(X_test),axis=-1)
 confusion_matrix(Y_test,y_pred,normalize='true')
 \end{lstlisting}
-\wip{Tabelle auswerten}
 \begin{table}[ht]
     \def\arraystretch{1.3}
     \begin{center}
@@ -185,11 +185,24 @@ confusion_matrix(Y_test,y_pred,normalize='true')
         \end{tabular}
     \end{center}
     \caption{Konfusionsmatrix mit Klassengewichtung}
+    \label{tab:m_w}
 \end{table}
+
+Wie in Tabelle \ref{tab:m_w} zu sehen ist, werden negative Bewertungen zu $80.46\%$ 
+richtig als negative Bewertung klassifiziert, $17.27\%$ werden als 
+neutral klassifiziert und $2.28\%$ werden als positiv klassifiziert.
+
+Neutrale Bewertungen werden zu $68.44\%$ richtig klassifiziert, 
+jedoch werden $16.82\%$ der neutralen Bewertungen falsch als 
+negative klassifiziert und zu $14.74\%$ falsch als positiv klassifiziert.
+
+Die positiven Bewertungen werden zu $81.72\%$ richtig als positive 
+Bewertungen klassifiziert, zu $15.86\%$ als neutral und zu 
+$2.42\%$ als negativ klassifiziert.
+
 Das gleiche Modell ohne die Gewichtung der Klassen erreicht eine Genauigkeit 
 von $85.7\%$, betrachtet man jedoch die Konfusionsmatrix in Tabelle \ref{tab:conf_no_w}, so 
 sieht man das dort bloß $27\%$ der neutralen Rezensionen richtig klassifiziert wurden.
-\wip{Tabellenreferenz ???}
 \begin{table}[ht]
     \def\arraystretch{1.3}
     \begin{center}
@@ -200,6 +213,6 @@ sieht man das dort bloß $27\%$ der neutralen Rezensionen richtig klassifiziert
             Positiv &0.0249& 0.0235& 0.9516\\
         \end{tabular}
     \end{center}
-    \label{tab:conf_no_w}
     \caption{Konfusionsmatrix ohne Klassengewichtung}
+    \label{tab:conf_no_w}
 \end{table}
\ No newline at end of file