data_processor.py aktualisiert

data_processor.py

@@ -5704,23 +5704,29 @@ class DataProcessor:
             "Starte Evaluation des besten Modells auf dem ungesehenen Testset...")
         y_pred = best_classifier.predict(X_test)
         accuracy = accuracy_score(y_test, y_pred)
-        self.logger.info(
+        self.logger.info(f"Finale Modell Genauigkeit auf dem Testset: {accuracy:.4f}")
-            f"Finale Modell Genauigkeit auf dem Testset: {accuracy:.4f}")
 
-        class_report_labels = list(best_classifier.classes_)  # << KORRIGIERT
+        # Erzeuge den Klassifikationsbericht als Dictionary für eine saubere Ausgabe
-        class_report = classification_report(
+        report_dict = classification_report(
             y_test,
             y_pred,
             zero_division=0,
-            labels=class_report_labels,
+            labels=self.model.classes_,
-            target_names=[
+            target_names=[str(c) for c in self.model.classes_],
-                str(c) for c in class_report_labels])
+            output_dict=True
-        self.logger.info(
+        )
-            f"Klassifikationsbericht auf dem Testset:\n{class_report}")
+        
+        # Konvertiere das Dictionary in einen formatierten DataFrame für das Logging
+        report_df = pd.DataFrame(report_dict).transpose()
+        report_df['support'] = report_df['support'].astype(int) # Für saubere Darstellung
+        
+        # Erstelle einen gut lesbaren String aus dem DataFrame
+        report_string = report_df.to_string()
+        self.logger.info(f"Klassifikationsbericht auf dem Testset:\n{report_string}")
 
-        cm = confusion_matrix(y_test, y_pred, labels=class_report_labels)
+        cm = confusion_matrix(y_test, y_pred, labels=self.model.classes_)
-        self.logger.info(
+        cm_df = pd.DataFrame(cm, index=self.model.classes_, columns=self.model.classes_)
-            f"Konfusionsmatrix auf dem Testset (Zeilen=Wahr, Spalten=Vorhersage):\n{cm}")
+        self.logger.info(f"Konfusionsmatrix auf dem Testset (Zeilen=Wahr, Spalten=Vorhersage):\n{cm_df.to_string()}")
 
         # Block für Feature Importance
         try: