#Wie man in Minuten ein Klassifikationsmodell baut: Eine Pipeline zur Vorhersage des Zirrhose-Stadiums

📅 14.11.25 ⏱️ Lesedauer: 8 min

Der Aufbau von Machine-Learning-Modellen erforderte früher viel Code, Datenbereinigung und Debugging. Diese Zeiten sind vorbei. In diesem Tutorial bauen wir eine komplette Klassifikationspipeline zur Vorhersage von Zirrhose-Stadien mit echten Kaggle-Daten. Ganz ohne Code.

Am Ende hast du ein trainiertes Modell, Visualisierungen und eine funktionierende API. Los geht’s.

Als Erstes brauchen wir Daten. Zwei Wege.

Option A: Über die Chat-Oberfläche

Einfach schreiben: „Ich will Daten hinzufügen. Erstelle einen Node für mich“

Der Assistent setzt einen Data-Loader-Node auf dein Canvas. Klicke auf das Plus-Symbol, um den Upload zu öffnen.

Option B: Die KI alles erledigen lassen

Oder direkt schreiben: „Füge mir einen Open-Source-Datensatz über Zirrhose-Stadien hinzu“

Die KI sucht auf Kaggle, findet den Datensatz und fügt ihn automatisch ein.

Figure 1: Das Workflow-Canvas mit geladenem Zirrhose-Datensatz.

Wenn du es manuell machst: Im Data-Loader zur Kaggle-Tab wechseln, „cirrhosis“ eingeben, Datensatz auswählen, fertig.

Rohdaten sind unordentlich. Wir bereinigen sie für das Training.

Füge einen Processing-Node ein. Dann im Chat:

„Passe die Processing-Settings an, damit wir die Daten für eine AI-Pipeline nutzen können“

Die KI richtet Cleaning ein, behandelt Missing Values, encodiert kategoriale Features und bereitet alles vor. Kein Pandas, kein NaN-Gefrickel.

Figure 2: Automatisierte Datenverarbeitung.

Vor dem Training wollen wir Verständnis. Zeit für Plots.

Links in der Sidebar zum Library-Tab wechseln. Plot Dashboard auswählen, auf das Canvas ziehen und mit dem Processing-Node verbinden.

Dann: „Add Plots“ → „AI Suggestions“.

Die KI analysiert deine Daten und schlägt Visualisierungen als Fragen vor:

• „Wie ist die Verteilung der Zirrhose-Stadien?“
• „Wie korrelieren Bilirubinwerte mit dem Fortschritt?“
• „Welche Features zeigen die stärksten Beziehungen?“

Nimm, was sinnvoll aussieht.

Figure 3: KI-Plot-Vorschläge.

Figure 4: Dashboard mit KI-Insights.

Exportieren geht auch – Klick auf den Export-Button eines Charts.

Jetzt der Hauptteil: Klassifikationsmodell trainieren.

Drei Nodes hinzufügen:

1. Model Selection
2. Training Configuration
3. Create Training Job

Dann im Chat: „Füge die Konfiguration für ein Klassifikationsmodell hinzu“

Die KI:

• wählt Algorithmus (Random Forest, XGBoost …)
• stellt Hyperparameter ein
• konfiguriert Train/Test-Split
• baut die Pipeline

Figure 5: Trainingspipeline bereit.

Alles verbinden: Data → Processing → Training

Dann einen Results & Analysis-Node hinzufügen. Er zeigt:

• Metriken (Accuracy, Precision, Recall, F1)
• Feature-Importance
• SHAP-Werte

Oben auf Run Flow klicken.

Figure 6: Vollständiger Workflow.

Nach der Ausführung: Results-Node öffnen.

Figure 7: Metriken & Confusion-Matrix.

Die Confusion-Matrix zeigt präzise, wo das Modell richtig liegt und wo es Fehler macht.

Lesart:

• Zeilen: echte Stadien
• Spalten: vorhergesagte
• Diagonale: korrekt
• Abseits der Diagonale: Fehler

Helle Felder außerhalb der Diagonale zeigen Fehlklassifikationen.

Gute Ergebnisse:

• helle Diagonale
• wenige Fehler daneben
• wenn Fehler: meist angrenzende Stadien statt extremer Sprünge

Einordnung: In der Medizin sind angrenzende Fehlklassifikationen tolerierbarer, extreme nicht.

Figure 8: Globale Feature-Importance.

Dieses Diagramm zeigt, welche Features das Modell antreiben. Oben = wichtiger.

Hilft dir bei:

• medizinischer Interpretation
• Priorisierung von Messwerten
• Modellvereinfachung

Figure 9: SHAP-Dependence-Plot.

Jeder Punkt = ein Patient. X-Achse: Featurewert Y-Achse: Einfluss auf die Vorhersage (SHAP) Farbe: Interaktion mit zweitem Feature

Steigender Verlauf = höhere Werte → höhere Vorhersagen.

Hilfreich für Validierung, neue Insights, medizinische Erklärbarkeit.

Das Modell steht. Jetzt soll es nutzbar werden.

Zwei Nodes:

1. API Deploy & Inference
2. API Details

Der Deploy-Node erstellt den Endpoint. Die Details zeigen:

• URL
• Tokens
• Beispielcode (Python, JS, cURL)
• Request/Response-Schema

Figure 10: API-Deployment-Details.

Jetzt kannst du das Modell in jeder App nutzen. Code kopieren und produktiv vorhersagen.

In unter zehn Minuten hast du:

• echte Kaggle-Daten geladen
• sie automatisch verarbeitet
• Visualisierungen erzeugt
• ein Modell trainiert
• Ergebnisse analysiert
• eine produktionsfähige API deployed

Kein Code. Kein Debugging. Kein Setup.

Merke: Mit Templates erledigst du alles in drei Klicks: Template → Daten → Run Flow.

[1] Cirrhosis Prediction Dataset. Kaggle. https://www.kaggle.com/datasets/fedesoriano/cirrhosis-prediction-dataset [2] SHAP. https://github.com/slundberg/shap