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.