# Лабораторная работа 4: scikit-learn

## Описание

В данной лабораторной работе используется библиотека **scikit-learn** для решения двух задач:

1. Базовый пример классификации с помощью `MLPClassifier` на датасете **Iris**.
2. Обнаружение выбросов с помощью метода **Local Outlier Factor (LOF)**:
   - на синтетических данных (`make_moons` + искусственно добавленные выбросы),
   - на реальном датасете **Credit Card Fraud** из OpenML.

## Цель работы

Изучить базовые возможности библиотеки **scikit-learn** и применить её:
- для построения модели классификации,
- для решения задачи обнаружения аномалий.

## Выполненные задания

### 1. Классификация с помощью MLPClassifier
- Загружен стандартный датасет **Iris**.
- Выполнено разбиение выборки на обучающую и тестовую части.
- Обучена модель `MLPClassifier`.
- Получены метрики качества с помощью `classification_report`.

### 2. Исследование влияния `max_iter`
- Проверено, как изменение параметра `max_iter` влияет на обучение модели.
- Сравнены результаты при меньшем числе итераций и при `max_iter = 2500`.
- Сделан вывод о том, что увеличение числа итераций позволяет модели лучше сходиться, но на простом датасете Iris заметный прирост качества обычно невелик.

### 3. Обнаружение выбросов методом LOF на синтетических данных
- Сгенерирован датасет `make_moons`.
- Добавлены искусственные выбросы.
- Данные масштабированы с помощью `StandardScaler`.
- Обучен `LocalOutlierFactor`.
- Построены графики исходных и предсказанных выбросов.

### 4. Обнаружение выбросов методом LOF на реальных данных
- Загружен датасет **Credit Card Fraud** из OpenML.
- Выбраны числовые признаки.
- Выполнено масштабирование признаков.
- Применён `LocalOutlierFactor`.
- Для визуализации использован `PCA` до двух компонент.

## Используемые библиотеки

- `scikit-learn`
- `numpy`
- `pandas`
- `matplotlib`
- `openml`

## Структура проекта

- `week4_scikit_learn.ipynb` — основной Jupyter Notebook с выполнением лабораторной работы.
- `README.md` — описание проекта.

## Запуск

1. Установить необходимые библиотеки:
   ```bash
   pip install scikit-learn numpy pandas matplotlib openml notebook
   ```

2. Запустить Jupyter Notebook:
   ```bash
   jupyter notebook
   ```

3. Открыть файл:
   ```bash
   week4_scikit_learn.ipynb
   ```

## Краткий вывод

В ходе работы были изучены базовые инструменты библиотеки **scikit-learn** для задач классификации и обнаружения выбросов.  
Было показано, что `MLPClassifier` хорошо работает на датасете Iris, а метод **LOF** позволяет находить аномальные объекты как на синтетических, так и на реальных данных.