All Laba4

.gitignore

@@ -1,2 +1,3 @@
 .idea/
-.venv/
+.venv/
+.ipynb_checkpoints/

README.md

@@ -0,0 +1,27 @@
+# Практика 4: Pipelines and composite estimators
+
+Из раздела примеров библиотеки scikit-learn был выбран пример **Effect of Transforming the Targets in Regression Model**.
+
+## Цель работы
+
+Изучить применение `TransformedTargetRegressor` для преобразования целевой переменной в задачах регрессии и сравнить качество модели до и после преобразования.
+
+## Реализовано
+
+- Создан Jupyter Notebook `week4_scikit_learn.ipynb`.
+- Использован сгенерированный датасет `make_regression`.
+- Использован внешний датасет **California Housing** из OpenML (ID: 44031).
+- Выполнена предобработка внешнего датасета:
+  - удаление пропусков (если есть);
+  - масштабирование признаков через `StandardScaler`;
+  - разделение на обучающую и тестовую выборки.
+- Обучена модель `RidgeCV`.
+- Выполнено преобразование целевой переменной через `TransformedTargetRegressor` с логарифмической функцией `np.log1p` / `np.expm1`.
+- Построены графики "Actual vs Predicted" и графики остатков для сравнения модели до и после преобразования.
+- Визуализировано распределение целевой переменной до и после логарифмирования.
+
+## Выводы
+
+- На синтетических данных логарифмическое преобразование дало значительное улучшение качества (R² вырос с ~0.5 до ~0.95).
+- На реальных данных California Housing преобразование улучшило R² на 2-4%, снизило MAE и RMSE.
+- Графики остатков после преобразования стали более равномерными.