# 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.